Luận văn Phân tích hành vi sử dụng dịch vụ viễn thông của khách hàng dựa trên thuật toán phân cụm đưa ra chính sách khuyến mại về sản phẩm và theo phân khúc khách hàng

n thành và sâu sắc đến thầy giáo, TS Trần Trúc Mai, người đã định hướng về mục tiêu và cách thức thực hiện đề tài. TS Nguyễn Đình Hóa – người đã hướng dẫn, khuyến khích, chỉ bảo và tạo cho tôi những điều kiện tốt nhất từ khi bắt đầu cho tới khi hoàn thành nhiệm vụ và đề tài của mình. Tôi xin dành lời cảm ơn chân thành tới các thầy cô giáo khoa Công nghệ thông tin, trường Đại học Công nghệ, ĐHQGHN đã tận tình đào tạo, cung cấp cho tôi những kiến thức vô cùng quý giá và đã tạo điều kiện tốt nhất cho tôi trong suốt quá trình học tập, nghiên cứu tại trường. Đồng thời tôi xin cảm ơn tất cả những người thân yêu trong gia đình tôi cùng toàn thể bạn bè những người đã luôn giúp đỡ, động viên tôi những khi vấp phải những khó khăn, bế tắc. Cuối cùng, tôi xin chân thành cảm ơn các đồng nghiệp của tôi tại Trung Tâm Phân Tích Dữ Liệu – Viettel, đã giúp đỡ, tạo điều kiện thuận lợi cho tôi học tập và nghiên cứu chương trình thạc sĩ tại Đại học Công nghệ, Đại học Quốc Gia Hà Nội. 3 LỜI CAM ĐOAN Tôi xin cam đoan rằng luận văn thạc sĩ công nghệ thông tin “PHÂN TÍCH HÀNH VI SỬ DỤNG DỊCH VỤ VIỄN THÔNG CỦA KHÁCH HÀNG DỰA TRÊN THUẬT TOÁN PHÂN CỤM ĐƯA RA CHÍNH SÁCH KHUYẾN MẠI VỀ SẢN PHẨM VÀ THEO PHÂN KHÚC KHÁCH HÀNG” là công trình nghiên cứu của riêng tôi, không sao chép lại của người khác. Trong toàn bộ nội dung của luận văn, những điều đã được trình bày hoặc là của chính cá nhân tôi hoặc là được tổng hợp từ nhiều nguồn tài liệu. Tất cả các nguồn tài liệu tham khảo đều có xuất xứ rõ ràng và hợp pháp. Tôi xin hoàn toàn chịu trách nhiệm và chịu mọi hình thức kỷ luật theo quy định cho lời cam đoan này. Hà Nội, ngày . tháng năm .. .. 4 Mục Lục LỜI CẢM ƠN ....................................................................................................................... 2 LỜI CAM ĐOAN ................................................................................................................. 3 Chương 1: Giới thiệu ....................................................................................................... 7 Chương 2: Công cụ, nền tảng, thuật toán sử dụng và ứng dụng Phân tích dữ liệu .......... 9 2.1. Các công cụ nền tảng .............................................................................................. 9 2.1.1. Big Data ......................................................................................................... 9 2.1.2. Giới thiệu về Hadoop ................................................................................... 13 2.1.3. Các ứng dụng trên nền tảng Apache Hadoop .............................................. 14 2.1.4. HDFS ........................................................................................................... 16 2.1.5. Đọc ghi dữ liệu trên HDFS .......................................................................... 17 2.1.6. Map-Reduce ................................................................................................. 19 2.1.7. SPARK, nền tảng công cụ và ứng dụng ...................................................... 20 2.2. Giới thiệu về học máy ........................................................................................... 26 2.2.1. Một số khái niệm cơ bản .............................................................................. 27 2.2.2. Các vấn đề trong quá trình thực hiện đề tài ................................................. 30 Chương 3: Spark và giải thuật rừng ngẫu nhiên song song (Parallel Random Forest - PRF) ..................................................................................................................... 32 3.1. Thuật toán rừng ngẫu nhiên .................................................................................. 33 3.2. Giải thuật xử lý song song rừng ngẫu nhiên cho dữ liệu lớn trong nền tảng Spark .. ............................................................................................................................... 36 3.2.1. Tối ưu hóa xử lý dữ liệu đồng thời. ............................................................. 37 3.2.2. Tối ưu hóa xử lý tiến trình đồng thời ........................................................... 44 3.2.3. Phân tích phương pháp xử lý task đồng thời ............................................... 49 3.3. Kmeans, tối ưu hóa xử lý Kmeans với Spark. ...................................................... 52 Chương 4: Triển khai thực nghiệm ................................................................................ 57 4.1. Cơ sở dữ liệu Khách hàng 360 độ ......................................................................... 57 4.2. Mô hình ứng dụng ................................................................................................. 60 4.2.1. Quá trình Phân cụm dữ liệu huấn luyện: ..................................................... 63 4.2.2. Lựa chọn ngẫu nhiên các thuộc tính và đánh giá: ........................................ 67 4.2.3. Thực hiện huấn luyện dữ liệu với mô hình Parallel RandomForest ............ 67 4.3. Đánh giá hiệu suất: ................................................................................................ 73 4.3.1. Đánh giá thời gian xử lý với nhóm dữ liệu .................................................. 73 4.3.2. Đánh giá thời gian xử lý với từng cụm ........................................................ 73 4.4. Đánh giá hiệu quả thực tế: .................................................................................... 74 KẾT LUẬN VÀ ĐỊNH HƯỚNG NGHIÊN CỨU TIẾP THEO ........................................ 77 TÀI LIỆU THAM KHẢO ................................................................................................... 80 5 DANH MỤC HÌNH VẼ Hình 2.1. Kiến trúc HDFS .............................................................................. 16 Hình 2.2. Luồng đọc dữ liệu trên HDFS ........................................................ 18 Hình 2.3. Luồng ghi dữ liệu trên HDFS ......................................................... 18 Hình 2.4. Mô hình Map-Reduce...................................................................... 19 Hình 2.5. Cơ chế Map-Reduce ........................................................................ 20 Hình 2.6. thành phần của Spark ..................................................................... 22 Hình 2.7. Cơ chế hoạt động của Spark ........................................................... 23 Hình 2.8. Cơ chế hoạt động của Spark và RDD ............................................. 25 Hình 2.9. Zeppelin và phương thức hoạt động ............................................... 26 Hình 2.10. Mô hình học có giám sát ............................................................... 28 Hình 2.11. Mô hình học bán giám sát ............................................................ 30 Hình 3.1. Đồ thị vòng DAG được hình thành khi xử lý dữ liệu song song trên Spark UI. ......................................................................................................... 32 Hình 3.2. Quá trình xây dựng thuật toán rừng ngẫu nhiên RandomForest ... 34 Hình 3.3. Quá trình phân chia dữ liệu theo chiều dọc của các RDDs trong Spark ............................................................................................................... 38 Hình 3.4. Quá trình xử lý ghép dữ liệu đồng thời của PRF ........................... 40 Hình 3.5. Ví dụ về 3 kịch bản khi phân chia dữ liệu....................................... 42 Hình 3.6. Ví dụ của task DAG cho một cây quyết định của PRF ................... 46 Hình 3.7. Hình dạng cụm dữ liệu được khám phá bởi k-means ..................... 53 Hình 3.8. Thuật toán Kmeans trong Spark ..................................................... 54 Hình 4.1. Quá trình kết hợp K-Means và RandomForest .............................. 60 Hình 4.2. Tỷ lệ độ đo theo ROC của các tập train, test và validation ........... 69 Hình 4.3. Important Feataures v1 .................................................................. 70 Hình 4.4. ROC - Receiver operating characteristic ....................................... 71 Hình 4.5. Cumulative Gain ............................................................................. 71 Hình 4.6. Tỷ lệ độ chính xác trung bình của các mô hình cây khác ............... 72 Hình 4.7. Phương pháp đo lường kết quả trong thực tế ................................. 74 Hình 4.8. So sánh tỷ lệ triển khai thực tế TG và MHO .................................. 75 Hình 4.9. So sánh tỷ lệ triển khai thực tế MHO và HO .................................. 76 6 DANH MỤC BẢNG Bảng 3-1: Ví dụ về DSI của PRF .................................................................... 40 Bảng 4-1: Danh mục thuộc tính đánh giá xây dựng C360 ............................. 59 Bảng 4-2: Danh mục thuộc tính được sử dụng ............................................... 63 Bảng 4-3: Giá trị DaviesBouldin .................................................................... 64 Bảng 4-4: Kết quả phân cụm .......................................................................... 64 Bảng 4-5: Phân nhóm khách hàng trên 40 tuổi và dưới 40 tuổi ..................... 66 Bảng 4-6: So sánh tỷ lệ Accuracy giữa Precision, Recall .............................. 69 Bảng 4-7: So sánh thời gian chạy giữa KNN và PRF. ................................... 70 7 Chương 1: Giới thiệu Trong thời đại ngày nay, để phát triển một doanh nghiệp, ngoài vốn và nhân lực, “dữ liệu” (data) được coi là nguồn lực không thể thiếu được. Ai cũng đã từng ngạc nhiên nhận thấy khi mua sắm trực tuyến trên các trang thương mại điện tử như eBay, Amazon, Sendo hay Tiki, các trang thương mại điện tử sẽ gợi ý một loạt các sản phẩm có liên quan và phù hợp với nhu cầu của bạn. Ví dụ khi xem điện thoại, trang mua sắm trực tuyến sẽ gợi ý cho bạn mua thêm ốp lưng, pin dự phòng; hoặc khi mua áo thun thì sẽ có thêm gợi ý quần jean và thắt lưng Bí ẩn đằng sau các trang web thông minh này là mọi sự chào mời sản phẩm đều dựa trên các nghiên cứu về sở thích, thói quen của khách hàng cũng như phân loại được các nhóm khách hàng khác nhau... Vậy những thông tin để phân tích này có được từ đâu và có tác động thế nào đến việc sản xuất kinh doanh của doanh nghiệp? Thứ nhất, dữ liệu khổng lồ về khách hàng có thể có từ các thông tin mà các doanh nghiệp thu thập trong lúc khách hàng ghé thăm, tương tác hay mua sắm trên website của mình; dữ liệu này cũng có thể được mua lại từ các công ty chuyên cung cấp dữ liệu khách hàng. Các thông tin này không chỉ giúp nhà cung ứng hàng hóa, dịch vụ tăng lợi nhuận cho chính họ mà còn tăng trải nghiệm mua sắm của người dùng. Một mặt, nhờ quá trình tìm hiểu, phân tích khách hàng, doanh nghiệp có thể tạo ra các sản phẩm đáp ứng nhu cầu của khách hàng, cũng như xây dựng chính sách phân phối và bán sản phẩm đến tay người tiêu dùng một cách có hiệu quả nhất. Mặt khác, bản thân người tiêu dùng có thể tiết kiệm thời gian và yên tâm trong trải nghiệm mua sắm của mình. Hơn thế nữa, ở tầm ngành và vĩ mô, ứng dụng dữ liệu lớn (Big Data) có thể giúp các tổ chức và chính phủ dự đoán được tỉ lệ thất nghiệp, xu hướng nghề nghiệp của tương lai để đầu tư cho những hạng mục đó, hoặc cắt giảm chi tiêu, kích thích tăng trưởng kinh tế... thậm chí là ra phương án phòng ngừa trước một dịch bệnh nào đó. Việc xây dựng và ứng dụng nền tảng Big Data nếu được khai thác hiệu quả sẽ đem lại những lợi thế cạnh tranh và hiệu quả to lớn trong nhiều lĩnh vực, đặc biệt trong bối cảnh thị trường dịch vụ tài chính đang bão hòa, trên cơ sở đó phân tích những ứng dụng của Big Data và các điều kiện nhằm ứng dụng Big Data cùng với phân tích dữ liệu để sử dụng nguồn tài nguyên hợp lý và tối đa hóa doanh thu cũng như đưa các mục tiêu kinh doanh gắn liền với hành vi 8 khách hàng, nhằm mang lại cho doanh nghiệp phương án kinh doanh hiệu quả nhất. Việc sử dụng và khai thác dữ liệu lớn như một nguồn tài nguyên tương tự như dầu khí, hay các nguồn tài nguyên khác là phương án để đưa doanh nghiệp tiếp cận đến người dùng một cách hiệu quả nhất, kết hợp với mục tiêu kinh doanh để hoàn thiện hơn các chính sách, tối đa hóa lợi ích cho người dùng và tăng trưởng doanh thu bền vững cho doanh nghiệp. Với đề tài “Phân Tích Hành Vi Sử Dụng Dịch Vụ Viễn Thông Của Khách Hàng Dựa Trên Thuật Toán Phân Cụm Đưa Ra Chính Sách Khuyến Mại Về Sản Phẩm Và Theo Phân Khúc Khách Hàng” nhằm mục tiêu đưa ứng dụng Phân tích dữ liệu lớn vào khai thác nguồn tài nguyên đặc biệt – Big Data. Sử dụng các công cụ khai thác Big Data, các công cụ được sử dụng để lưu trữ và vận hành hệ thống Big Data - Hadoop, các công cụ xử lý học máy, xử lý dữ liệu lớn như Spark, Zeppelin (Spark ML), ứng dụng hệ khuyến nghị, học máy và các kỹ thuật phân tích hành vi khách hàng nhằm đưa ra kết quả phù hợp nhất với từng nhóm đối tượng khách hàng sử dụng dịch vụ. Phần còn lại của luận văn được trình bày theo cấu trúc như sau. Chương 2 trình bày các khái niệm cơ bản phục vụ cho nghiên cứu của đề tài, Big Data, các công cụ được sử dụng trong quá trình thực hiện đề tài, phương thức xây dựng hệ cơ sở dữ liệu khách hàng 360 – là bộ khung dữ liệu sử dụng xuyên suốt quá trình xây dựng các mô hình học máy và sử dụng để đánh giá các mô hình học máy, các thuật toán sẽ sử dụng trong quá trình thực hiện. Tính ứng dụng khi sử dụng thư viện Spark ML và các điểm ưu việt của Spark khi sử dụng để xây dựng và ứng dụng cho giải thuật rừng ngẫu nhiên song song. Chương 3 sẽ trình bày về quá trình thực hiện, các phiên bản xây dựng mô hình và kết quả thực nghiệm. Cuối cùng sẽ là phần kết luận, ý nghĩa phương pháp triển khai, các kết quả đạt được và định hướng nghiên cứu tiếp theo. 9 Chương 2: Công cụ, nền tảng, thuật toán sử dụng và ứng dụng Phân tích dữ liệu 2.1. Các công cụ nền tảng Với sự xuất hiện liên tục của nhiều phương thức phổ biến thông tin mới, cùng sự gia tăng của công nghệ điện toán đám mây và Internet vạn vật (IoT), dữ liệu không ngừng tăng lên với tốc độ cao. Quy mô dữ liệu toàn cầu liên tục tăng với tốc độ 2 lần sau mỗi hai năm [1]. Giá trị ứng dụng của dữ liệu trong mọi lĩnh vực đang trở nên quan trọng hơn bao giờ hết. Tồn tại một lượng lớn thông tin đáng giá trong dữ liệu có sẵn. Sự xuất hiện của thời đại dữ liệu lớn cũng đặt ra những vấn đề và thách thức nghiêm trọng bên cạnh những lợi ích rõ ràng. Do nhu cầu kinh doanh và áp lực cạnh tranh, hầu hết mọi doanh nghiệp đều có yêu cầu cao về xử lý dữ liệu theo thời gian thực và hợp lệ [2]. Do đó, vấn đề đầu tiên là làm thế nào để khai thác thông tin có giá trị từ dữ liệu khổng lồ một cách hiệu quả và chính xác. Đồng thời, dữ liệu lớn nắm giữ các đặc điểm như số chiều cao, độ phức tạp và nhiễu. Dữ liệu khổng lồ thường chứa các thuộc tính được tìm thấy trong các biến đầu vào khác nhau ở hàng trăm hoặc hàng nghìn cấp, trong khi mỗi một trong số chúng có thể chứa một ít thông tin. Vấn đề thứ hai là chọn các kỹ thuật thích hợp có thể dẫn đến hiệu suất phân loại tốt cho tập dữ liệu chiều nhiều chiều. Xem xét các sự kiện nói trên, khai thác và phân tích dữ liệu cho dữ liệu quy mô lớn đã trở thành một chủ đề nóng trong học thuật và nghiên cứu công nghiệp. Tốc độ khai thác và phân tích dữ liệu đối với dữ liệu quy mô lớn cũng đã thu hút nhiều sự quan tâm của cả giới học thuật và công nghiệp. Các nghiên cứu về khai thác dữ liệu phân tán và song song dựa trên nền tảng điện toán đám mây đã đạt được nhiều thành tựu thuận lợi [3],[4]. Hadoop [5] là một nền tảng đám mây nổi tiếng được sử dụng rộng rãi trong khai thác dữ liệu. 2.1.1. Big Data Khái niệm Big Data Big Data (Dữ liệu lớn) là thuật ngữ mô tả quá trình xử lý dữ liệu trên một tập dữ liệu lớn bao gồm cả dữ liệu có cấu trúc hay không có cấu trúc. Big Data rất quan trọng với các tổ chức, doanh nghiệp thì dữ liệu ngày một lớn và càng nhiều dữ liệu sẽ giúp các phân tích càng chính xác hơn. Việc phân tích 10 chính xác này sẽ giúp doanh nghiệp đưa ra các quyết định giúp tăng hiệu quả sản xuất, giảm rủi ro và chi phí. Những dữ liệu này tới từ mọi nơi – ví dụ như từ những chiếc cảm biến để thu thập thông tin thời tiết, những thông tin được cập nhật trên các trang web mạng xã hội, những bức ảnh và video kỹ thuật số được đưa lên mạng, dữ liệu giao dịch của các hoạt động mua sắm trên mạng... – dưới mọi hình thức khác nhau (có cấu trúc, phi cấu trúc, bán cấu trúc). Đó chính là dữ liệu lớn. Big Data là thuật ngữ dùng để chỉ một tập hợp dữ liệu rất lớn và hỗn tạp đến nỗi những công cụ, ứng dụng xử lí dữ liệu truyền thống khó có thể nào đảm đương được. Bằng việc tổng hợp một lượng thông tin lớn từ các nguồn khác nhau khiến cho Big Data trở thành một công cụ rất mạnh cho việc ra các quyết định kinh doanh, nhận diện hành vi và xu hướng nhanh hơn và tốt hơn rất nhiều so với cách thức truyền thống. Big Data được nhận diện trên ba khía cạnh chính: Dữ liệu (Data), Công nghệ (Technology), Quy mô (Size). Thứ nhất, dữ liệu (data) bao gồm các dữ liệu thuộc nhiều định dạng khác nhau như hình ảnh, video, âm nhạc trên Internet [6]; gồm các dữ liệu thu thập từ các hệ thống cung ứng dịch vụ công nghệ thông tin có kết nối với hệ thống máy chủ; dữ liệu của khách hàng ở các ứng dụng thông minh và các thiết bị có kết nối mạng; dữ liệu của người dùng để lại trên các nền tảng của mạng xã hội, việc ứng dụng khai phá dữ liệu lớn sẽ tạo thành quy trình khép kín, việc bổ sung dữ liệu và huấn luyên được diễn ra liên tục [7]. Do các dữ liệu được cập nhật qua các thiết bị kết nối mạng từng giờ, từng phút, từng giây và đến từ nhiều nguồn khác nhau nên khối lượng dữ liệu này là rất lớn (Big). Hiện nay, Big Data được đo lường theo đơn vị Terabytes (TB), Petabytes (PB) và Exabytes (EB). Có thể dễ dàng lấy một vài ví dụ như Walmart xử lý hơn 1 triệu giao dịch của khách hàng mỗi giờ, dữ liệu nhập vào ước tính hơn 2,5 PB; Facebook có hơn 1.9 tỷ người dùng đồng thời, có hàng trăm server xử lý và lưu trữ dữ liệu [8]. Twitter là một hệ thống mạng xã hội với 1,3 tỷ người dùng đang hoạt động và trong giai đoạn đầu [9]. Yếu tố nhận diện thứ hai của Big Data là công nghệ (technology). Công nghệ thường được thiết kế và hình thành một hệ sinh thái từ dưới đi lên để có khả năng xử lý các dữ liệu lớn và phức tạp. Một trong những hệ sinh thái mạnh nhất hiện nay phải kể đến Hadoop với khả năng xử lý dữ liệu có thể được tăng lên cùng mức độ phức tạp của dữ liệu, năng lực này là một công cụ vô giá trong bất kỳ ứng dụng Big Data nào. Yếu tố nhận diện thứ ba của Big Data là quy mô dữ liệu. Hiện nay vẫn chưa có câu 11 trả lời chính xác cho câu hỏi dữ liệu thế nào gọi là lớn. Theo ngầm hiểu thì khi dữ liệu vượt quá khả năng xử lý của các hệ thống truyền thống thì sẽ được xếp vào Big Data. Việc bản thân các doanh nghiệp cũng đang sở hữu Big Data của riêng mình đã trở nên phổ biến. Chẳng hạn, như trang bán hàng trực tuyến eBay thì sử dụng hai trung tâm dữ liệu với dung lượng lên đến 40 petabyte để chứa những truy vấn, tìm kiếm, đề xuất cho khách hàng cũng như thông tin về hàng hóa của mình. Hay nhà bán lẻ online Amazon.com phải xử lí hàng triệu hoạt động mỗi ngày cũng như những yêu cầu từ khoảng nửa triệu đối tác bán hàng. Tương tự, Facebook cũng phải quản lí 50 tỉ bức ảnh từ người dùng tải lên [10], YouTube hay Google thì phải lưu lại hết các lượt truy vấn và video của người dùng cùng nhiều loại thông tin khác có liên quan. Theo kết quả khảo sát được thực hiện bởi Qubole - công ty hàng đầu về cung cấp giải pháp, nền tảng quản lí dữ liệu hạ tầng đám mây phục vụ phân tích - và bởi Dimensional Research - một tổ chức nghiên cứu thị trường công nghệ, lĩnh vực chăm sóc khách hàng, kế hoạch công nghệ thông tin, quy trình bán hàng và hoạt động tài chính là các lĩnh vực thu lợi nhiều nhất từ Big Data. Qua đó, thấy được là mục đích khai thác Big Data của các nhà cung ứng hàng hóa, dịch vụ toàn cầu là hướng đến chăm sóc khách hàng, phân tích dữ liệu khách hàng để phát triển sản phẩm, dịch vụ; ứng dụng thông minh để tăng trải nghiệm của khách hàng và giữ chân khách hàng khi sự cạnh tranh ngày càng gay gắt giữa các nhà cung ứng ở hầu hết các lĩnh vực kinh doanh. Với các công cụ phân tích, đặc biệt là công cụ phân tích dự báo (Predictive Analytics) và khai thác dữ liệu (Data mining) [19], Big Data giúp các doanh nghiệp đo lường, phân tích các vấn đề liên quan đến sản phẩm, phát hiện các cơ hội và nguy cơ rủi ro, đồng thời, dự báo doanh thu từ hoạt động kinh doanh hàng ngày. Big Data có thể bao gồm những kiểu dữ liệu sau: Dữ liệu của các hệ thống doanh nghiệp truyền thống bao gồm các dữ liệu từ hệ thống quản lý khách hàng, các giao dịch của hệ thống tài chính doanh nghiệp, các dữ liệu kế toán, thông tin giao dịch của khách hàng và doanh nghiệp... 12 Dữ liệu sinh tự động hoặc do cảm biết: Bao gồm dữ liệu thông tin khách hàng sử dụng dịch vụ, lịch sử truy cập các trang web, các dữ liệu ghi lịch sử thiết bị sử dụng Dữ liệu mạng xã hội- bao gồm các dữ liệu được sinh ra từ quá trình sử dụng mạng xã hội của người dùng như ảnh, video, thông tin trên Facebook, Twitter, Instagram Đặc điểm của Big Data Ba đặc điểm chính của Big Data bao gồm Dung lượng (volume), Tốc độ (velocity), Tính đa dạng (variety). Dung lượng của Dữ liệu lớn đang tăng lên mạnh mẽ từng ngày [10].Theo thông tin được Google công bố, cứ mỗi 1 giây, 87000 từ khóa tìm kiếm được thực hiện, hàng petabyte dữ liệu được tạo ra trên toàn thế giới. Về Tốc độ (Velocity) phản ánh tốc độ mà tại đó dữ liệu được phân tích bởi các công ty để cung cấp một trải nghiệm người dùng tốt hơn. Với sự ra đời của các kỹ thuật, công cụ, ứng dụng lưu trữ, nguồn dữ liệu liên tục được bổ sung với tốc độ nhanh chóng. Về Tính đa dạng (Variety) của dữ liệu, việc đa dạng hóa các nguồn dữ liệu đầu vào, từ dữ liệu có cấu trúc, bán cấu trúc cho đến dữ liệu không có cấu trúc, từ các loại dữ liệu dạng giao dịch cho đến các dữ liệu dạng văn bản sinh ngẫu nhiên trên internet. Độ lớn dữ liệu (volume): Dữ liệu sinh ra tự động (machine-generated data) có số lượng nhiều hơn rất nhiều so với dữ liệu truyền thống. Dữ liệu có thể sinh ra hàng TB trong thời gian ngắn và dữ liệu lưu trữ có thể lên đến Petabytes. Cách đây vài năm, việc lưu trữ dữ liệu lớn là một vấn đề khó khăn. Tuy nhiên hiện nay, với việc phần cứng ngày càng rẻ cộng thêm công nghệ lưu trữ đám mây thì việc xác định giá trị cần thiết từ tập dữ liệu lớn mới là vấn đề cốt yếu. Tốc độ xử lý dữ liệu (velocity): Dữ liệu lớn không đồng nghĩa với xử lý chậm. Ngày nay các hệ thống media cần xử lý nhanh và có phản hồi chấp nhận được với người dùng. Trong việc xử lý dữ liệu lớn ta luôn cần quan tâm đến Tốc độ xử lý dữ liệu Tính đa dạng dữ liệu (variety): Với việc thu thập từ nhiều nguồn dữ liệu khác nhau (web, mobile), Big Data không chỉ có dữ liệu kiểu truyền thống dạng schema mà ngày nay còn có nhiều loại dữ liệu khác như dạng image, 13 video, cấu trúc dữ liệu phức tạp khác Big Data có thể xử lý dữ liệu có cấu trúc, phi cấu trúc và bán cấu trúc. Để đáp ứng được về các tính chất đó của Big Data, các công ty lớn trên thế giới như Amazon, Google, FaceBook đều sử dụng nền tảng Hadoop làm công cụ lưu trữ và xử lý dữ liệu. 2.1.2. Giới thiệu về Hadoop Apache Hadoop [11] là một framework cho phép xử lý phân tán một tập dữ liệu lớn qua cụm (cluster) các máy tính bằng việc sử dụng mô hình lập trình đơn giản. Được thiết kế để có thể giãn nở thực hiện trên một đến hàng nghìn máy tính là nơi tính toán và lưu trữ cục bộ. Một điểm mới của Apache Hadoop là thay vì thiết đặt cơ chế sẵn sàng cao (High Availability - HA) bằng phần cứng thì bản thân Hadoop được thiết kế để phát hiện và quản lý lỗi tại tầng ứng dụng, do đó sẽ đưa ra dịch vụ có tính sẵn sàng cao HA tại cụm các máy tính nơi có thể xảy ra lỗi bằng cách thiết đặt thêm một ứng dụng (node) dưới dạng hoạt động hoặc chế độ chờ (active/standby). Apache Hadoop được tạo bởi 2 thành phần bao gồm một hệ thống file phân tán Hadoop Distributed Filesystem (HDFS) và một layer để tính toán theo mô hình xử lý Map Reduce. Hadoop là một open source cho phép xử lý dữ liệu theo lô và có khả năng xử lý khối lượng dữ liệu cực lớn. Hadoop sử dụng một cụm các server thông thường để lưu trữ, tính toán. Việc tính toán trên Hadoop Distributed Filesystem (HDFS) được thực hiện một cách song song và trừu tượng với các developer giúp họ tránh được việc lập trình mạng và xử lý bài toán đồng bộ phức tạp. Không giống như nhiều hệ thống phân tán khác, Hadoop cung cấp việc xử lý logic trên nơi lưu dữ liệu mà không phải lấy dữ liệu từ các máy khác giúp tăng hiệu năng một cách mạnh mẽ. Hadoop bao gồm những module sau: Hadoop Common: Các tiện ích cơ bản hỗ trợ Hadoop Hadoop Distributed File System (HDFS™): Hệ thống file phân tán cung cấp khả năng truy vấn song song tối đa hóa theo đường truyền truy cập bởi ứng dụng 14 Hadoop YARN: Framework quản lý lập lịch tác vụ và tài nguyên trên cụm. Hadoop MapReduce: Hệ thống YARN-based để xử lý tập dữ liệu lớn. 2.1.3. Các ứng dụng trên nền tảng Apache Hadoop Apache phát triển một số ứng dụng để việc sử dụng MapReduce một cách dễ dàng hơn đồng thời hỗ trợ việc ghi và lấy dữ liệu trên HDFS được đơn giản. Sau đây là một số ứng dụng thông dụng chúng ta cần quan tâm đến: Apache Hive Hive tạo ra một cơ sở dữ liệu quan hệ dạng trừu tượng cho phép các developer có thể truy vấn dữ liệu bằng SQL. Thực chất đây là việc thi hành một hoặc nhiều job MapReduce trên các cụm. Hive thực hiện việc tạo ra một schema dạng bảng trên tập các file đang tồn tại trên HDFS và quản lý các bản ghi được trích xuất khi chạy một query. Bản thân dữ liệu trên đĩa không thay đổi mà chỉ được lấy ra tại thời điểm query. Các câu lệnh HiveQL được dịch và thực thi trên các lớp map và reduce có sẵn tương ứng với câu lệnh SQL đó. Apache Pig Giống như Hive, Apache Pig được tạo ra để đơn giản việc sử dụng MapReduce job, mà không cần thiết phải viết Java Code. Thay vào đó, người dùng sẽ viết các job xử lý dữ liệu trên ngôn ngữ high-level script mà Pig đã xây dựng. Trong trường hợp cần thao tác xử lý dữ liệu đặc biệt mà Pig chưa hỗ trợ chúng ta có thể hoàn toàn mở rộng Pig script bằng Java. Apache Sqoop Việc chuyển đổi dữ liệu từ dữ liệu quan hệ sang dữ liệu trên Hadoop là một trong vấn đề quan trọng và phổ biến hiện nay. Sqoop viết tắt của “SQL to Hadoop” thực hiện chuyển đổi dữ liệu 2 chiều giữa Hadoop và hầu hết các cơ sở dữ liệu sử dụng JDBC driver. Sử dụng MapReduce, Sqoop thực hiện các hoạt động một cách song song mà không cần phải viết code. Sqoop hỗ trợ các plugin cho từng loại database cụ thể cung cấp các đặc tính cơ bản của hệ quản trị cơ sở dữ liệu quan hệ đó. Hiện nay Sqoop có hỗ trợ sẵn các khai kết nối 15 connectors (hỗ trợ trực tiếp) cho MySQL và PostgreSQL và kèm theo một số connector free cài đặt thêm để hỗ trợ Teradata, Netezza, SQL server và Oracle. Apache Flume Apache Flume là một hệ thống để tập hợp các dữ liệu streaming được thiết kế để truyền khối lượng lớn dữ liệu vào hệ thống ví dụ như Hadoop. Nó hỗ trợ kết nối và ghi dữ liệu trực tiếp tới HDFS. Apache Oozie Trong thực tế, sẽ có rất nhiều job Map Reduce được chạy do đó Apache Oozie được sinh ra với mục đích trở thành một workflow engine để điều phối các job này trên các Hadoop cluster. Workflow có thể hoạt động dựa trên cơ chế thời gian hoặc cơ chế sự kiện. Oozie là một REST service để quản lý workflow và trạng thái hoạt động của luồng. Apache Whirr Apache Whirr được xây dựng để đơn giản hóa việc tạo và deploy các clusters trên môi trường cloud ví dụ như Amazon’s AWS. Apache HBase Apache HBase là cơ sở dữ liệu phân tán (non relational), độ trễ thấp được xây dựng trên nền HDFS. HBase đưa ra một mô hình dữ liệu linh hoạt có các thuộc tính scale-out với API rất đơn giản. Dữ liệu trên HBase được lưu trữ dưới dạng bán cột (semi-columnar) phân chia bởi các hàng trong các region. Các bảng trên HBase có thể lên tới hàng trăm terabyte hoặc một số trường hợp lên đến petabytes. Hiện nay, HBase được sử dụng để phục vụ một khối lượng lớn dữ liệu trong các hệ thống real-time. Apache ZooKeeper Apache ZooKeeper hỗ trợ các tính năng của hệ thống phân tán. Trong thực tế nhiều dự án sử dụng Hadoop có sử dụng ZooKeeper để hỗ trợ các tính năng cần thiết cho hệ thống phân tán (leader election, locking, group membership, service location, config-uration services) 16 Apache HCatalog Apache HCatalog là một dịch vụ cung cấp khả năng chia sẻ schema và các dịch vụ truy cập dữ liệu giữa các ứng dụng trong cùng một hệ thống. Về lâu dài, HCatalog sẽ cung cấp việc kết hợp các tool ví dụ như Hive và Pig để chúng có thể chia sẻ các thông tin về dataset và metadata. 2.1.4. HDFS Hadoop Distributed File System (HDFS) [12] là một hệ thống file phân tán được thiết kế để chạy trên phần cứng thông thường. HDFS cũng tương tự những hệ thống file phân tán hiện có. Tuy nhiên, sự khác biệt ở đây là HDFS có khả năng chịu lỗi cao (fault-tolerant) và được thiết kế để deploy trên các phần cứng rẻ tiền. HDFS cung cấp khả năng truy cập high throughput từ ứng dụng và thích hợp với các ứng dụng có tập dữ liệu lớn. Hình 2.1. Kiến trúc HDFS HDFS có kiến trúc master-worker, (Hình 2.1). Một cụm HDFS (HDFS cluster) bao gồm các Namenode và Datanode. Dữ liệu được lưu trên các block. 17 Một cụm HDFS bao gồm hai loại nút (node) hoạt động theo mô hình nút chủ - nút thợ (master-worker): Một cụm HDFS có 1 namenode (master – nút chủ) Một cụm HDFS có một hoặc nhiều các datanode (worker - nút thợ) Namenode quản lý các namespace filesystem. Nó quản lý một filesystem tree và c...ết quả thử nghiệm mở rộng cho thấy tính ưu việt của PRF và lợi thế đáng kể so với các thuật toán khác về độ chính xác và hiệu suất phân loại cũng được cải thiện. Các nội dung chi tiết trong phần này được tóm tắt như sau: Phương pháp ứng dụng giảm chiều dữ liệu trong quá trình huấn luyện và phương pháp gán trọng số trong quá trình trong quá trình dự đoán nhãn. 37 Phương pháp tiếp cận và xử lý song song của PRF, kết hợp tối ưu hóa xử lý dữ liệu song song và các tiến trình xử lý thuật toán đồng thời. Xử lý dữ liệu theo chiều dọc và phương pháp đánh giá cân bằng trọng số (weighted vote). Cách thức hoạt động của Spark khi xử lý dữ liệu, tối ưu khi ứng dụng để xử lý. Cách thức xử lý dữ liệu của Spark, các bước huấn luyện theo DAG của PRF dựa theo các bước xử lý mô hình dữ liệu – sử dụng RDDs, các tiến trình được thực lập lịch và thực thi trong các bước đã được lập sẵn theo biểu đồ DAG. Việc thực hiện trên song song trên ram giữa các cụm Spark, xử lý đồng thời các tác vụ giúp giảm thiểu chi phí đường truyền, chi phí đọc ghi dữ liệu giữa các cụm của Spark, giúp cho cân bằng dữ liệu và tối ưu hóa thời gian xử lý. 3.2.1. Tối ưu hóa xử lý dữ liệu đồng thời. Spark áp dụng Phương pháp tối ưu hóa xử lý dữ liệu đồng thời cho thuật toán PRF, bằng cách sử dụng phương pháp phân chia các vùng dữ liệu theo chiều dọc và phương pháp ghép dữ liệu đồng thời – chia và gộp. Đầu tiên, căn cứ theo thuộc tính của thuật toán RF với các thuộc tính (features) đặc trưng độc lập và yêu cầu về tài nguyên của các tiến trình xử lý dữ liệu, một phương pháp về phân chia dữ liệu theo chiều dọc được sử dụng cho tập dữ liệu huấn luyện. Tập dữ liệu huấn luyện được chia nhỏ làm nhiều tập dữ liệu con với các thuộc tính độc lập, mỗi tập thuộc tính đó được phân bổ lại theo các cụm Spark để xử lý đồng thời theo phương pháp phân bổ dữ liệu tĩnh. Thứ hai, để giải quyết vấn đề về sự tăng trưởng khối lượng dữ liệu tuyến tính với sự gia tăng quy mô của RF, phương pháp ghép dữ liệu đồng thời được sử dụng thay cho phương pháp lấy mẫu thông thường. Phương pháp tối ưu hóa xử lý dữ liệu đồng thời cho thấy việc giảm khối lượng dữ liệu cần xử lý nhờ vào phân chia ra các cụm và việc Spark xử lý trên ram tối ưu hóa quá trình đọc ghi và không làm giảm độ chính xác của giải thuật. Việc gia tăng quy mô của PRF không làm thay đổi về kích thước và các vùng nhớ lưu trữ dữ liệu. a. Phương pháp phân chia dữ liệu chiều dọc. Trong quá trình xử lý PRF, quá trình xử lý các thuộc tính (features) dữ liệu chiếm phần lớn thời gian huấn luyện. 38 Tập dữ liệu huấn luyện Hình 3.3. Quá trình phân chia dữ liệu theo chiều dọc của các RDDs trong Spark Tuy nhiên, quá trình này chỉ sử dụng giá trị thuộc tính của tập huấn luyện và giá trị thuộc tính của tập mục tiêu. Do đó, để giảm khối lượng dữ liệu và giảm chi phí đọc ghi, truyền dữ liệu trong môi trường phân tán, phương pháp phân chia dữ liệu theo chiều dọc cho PRF sử dụng tính độc lập của các thuộc tính và yêu cầu về tài nguyên khi xử lý đồng thời tại các cụm Spark. Các tập dữ liệu với các thuộc tính ban đầu sẽ được chia thành các tập dữ liệu nhỏ hơn với các thuộc tính độc lập. Giả sử kích thước của tập dữ liệu huấn luyện S là N, có M thuộc tính (features) với mỗi bản ghi. y0 ~ yM-2 là số lượng thuộc tính đầu vào, yM-1 là thuộc tính mục tiêu. Với mỗi thuộc tính yi và biến thuộc tính yM-1 của tất cả các bản ghi được chọn và tạo thành một tập con thuộc tính đặc trưng FSj, được biểu diễn dưới dạng: 39 𝐹𝑠𝑗 = [ , , , , , ] Trong đó, i là chỉ số của mỗi bản ghi của tập dữ liệu huấn luyện S, và j là chỉ số của các thuộc tính hiện tại. Theo cách đó, tập S được phân tách thành ( M-1 ) tập con với thuộc tính đặc trưng trước khi đưa vào xử lý giảm chiều dữ liệu. Với mỗi tập dữ liệu con, sẽ được Spark đưa vào một đối tượng dạng RDD và độc lập với các tập dữ liệu con khác. Quá trình phân chia các vùng dữ liệu theo chiều dọc được mô tả theo hình 2.14. b. Phương pháp ghép dữ liệu đồng thời. Việc tăng trưởng dữ liệu về cả khối lượng và thuộc tính đầu vào luôn là vấn đề lớn đối với mọi thuật toán bao gồm cả thuật toán rừng ngẫu nhiên, việc tăng trưởng dữ liệu dẫn đến việc thuật toán RF cũng sẽ tăng trưởng về độ sâu, độ rộng của rừng. Để giải quyết vấn đề tăng trưởng về khối lượng dữ liệu mẫu khi huấn luyện, Spark sử dụng cơ chế ghép dữ liệu đồng thời để xử lý thay cho phương pháp lấy mẫu truyền thống. Trong mỗi chu kỳ lấy mẫu, thay vì sao chép lại toàn bộ dữ liệu mẫu, tiến trình xử lý sẽ lưu lại chỉ mục của tập dữ liệu mẫu vào bảng Data-Sampling-Index (DSI). Sau đó bảng DSI sẽ phân bổ lại cho tất cả các nút phụ (slave node) cùng với tập con thuộc tính (features). Các công việc tính toán xử lý trong quá trình huấn luyện của mỗi cây quyết định sẽ tải dữ liệu tương ứng từ một tập con thuộc tính thông qua bảng DSI. Do đó, với mỗi tập con thuộc tính sẽ được sử dụng lại một cách hiệu quả và độ lớn của tập dữ liệu đầu vào khi huấn luyện sẽ không bị ảnh hưởng tại mỗi node, trong khi quy mô của RF vẫn được mở rộng. Chỉ mục dữ liệu của tập dữ liệu huấn luyện S ố l ần l ấy m ẫu Mẫui 1 3 8 5 10 0 Mẫu1 2 4 1 9 7 8 Mẫu2 9 1 12 92 2 5 Mẫu3 3 8 87 62 0 2 40 Mẫuk-1 9 1 4 43 3 5 Bảng 3-1: Ví dụ về DSI của PRF Đầu tiên, một bảng DSI được tạo để lưu các chỉ mục dữ liệu được tạo trong tất cả các lần lấy mẫu. Như đã đề cập trong Phần 2.3.1, số cây của mô hình RF là k. Cụ thể, sẽ có k lần lấy mẫu cho tập dữ liệu huấn luyện và N chỉ mục dữ liệu được ghi lại trong mỗi lần lấy mẫu. Một ví dụ về bảng DSI của PRF được trình bày trong Bảng sau: Thứ hai, bảng DSI được sử dụng đồng thời cho tất cả các nút phụ (slave node) của cụm Spark với toàn bộ các thuộc tính con. Trong quá trình huấn luyện tiếp sau, độ đo Gain Ratio được sử dụng để tính toán và đánh giá sự khác biệt giữa các cây có cùng thuộc tính, sau đó chuyển lại giá trị đó cho các slaves nơi đang lưu trữ các tập dữ liệu con. Hình 3.4. Quá trình xử lý ghép dữ liệu đồng thời của PRF Thứ ba, mỗi Gain Ratio sẽ được tiến trình Spark sử dụng để truy cập các chỉ mục dữ liệu liên quan từ bảng DSI và lấy các bản ghi thuộc tính từ cùng T ập t h u ộ c tí n h c o n F ea tu re s u b se t G ai n R at io M ô h ìn h h u ấn lu y ện P R F 41 một nhóm các thuộc tính theo các chỉ mục này. Quá trình ghép dữ liệu đồng thời này được mô tả trong hình 15. Trong hình trên, mỗi RDDFS được đưa vào một đối tượng thuộc tính con RDD, và với mỗi TGR được để tính gain-ratio. VD, Spark phân bổ các công việc (tasks) {TGR1.1, TGR1.2, TGR1.3} vào node Slave1 với tập thuộc tính con RDDFS1, phân bổ công việc {TGR2.1, TGR2.2, TGR2.3} vào node Slave2 với tập thuộc tính con RDDFS2 và phân bổ công việc {TGR3.1, TGR3.2, TGR3.3} vào node Slave3 với tập thuộc tính con RDDFS3. Theo thuật toán cây quyết định, các công việc thực thi trên cùng một nút phụ sẽ thuộc về các cây khác nhau. VD: các công việc thực thi trên Slave1 là TGR1.1, TGR1.2 và TGR1.3 sẽ thuộc về “Decision Tree1”, “Decision Tree2”, và “Decision Tree3” theo một cách tương đối. Các đầu công việc này (tasks) thực hiện thu thập từ tập con các thuộc tính (features subset) theo các chỉ số tương ứng trong bảng DSI và tính toán gain-ratio của tập thuộc tính cho các cây quyết định khác nhau. Sau đó kết quả trung gian của các đầu công việc (tasks) này được chuyển sử dụng làm đầu vào cho các công việc tiếp theo tương ứng để xây dựng, tạo nên xu thế cây chung của các quyết định. Kết quả của các đầu công việc tasks {TGR1.1, TGR2.1, TGR3.1} được kết hợp và sử dụng cho quá trình phân nhánh của cây quyết định “Decision Tree1”, và kết quả của các đầu công việc tasks {TGR1.1, TGR2.2, TGR3.2} được kết hợp và sử dụng cho quá trình phân nhánh của cây quyết định “Decision Tree2”. c. Cơ chế phân bổ dữ liệu tĩnh Để đạt được một cơ chế cân bằng khi lưu trữ và xử lý các đầu công việc, sau khi phân bổ dữ liệu theo chiều dọc, một cơ chế phân bổ dữ liệu tĩnh được sử dụng cho các tập thuộc tính con. Cụ thể, các tập con được lưu trữ vào một cụm Spark phân tán trước khi được đưa vào xử lý huấn luyện cho mô hình PRF. Hơn nữa, do sự khác nhau về kiểu dữ liệu và dung lượng của mỗi nhóm thuộc tính con, số lượng các tiến trình xử lý, khối lượng công việc xử lý tiếp sau cũng sẽ khác nhau. Như đã biết, cụm Spark được cấu thành bởi một nốt chính – master node và các node phụ - slave node. Spark ML sẽ sử dụng chức năng phân chia dữ liệu thành các tập con và giao lại cho từng nodes dựa theo khối lượng và độ lớn dữ liệu. Hình dưới sẽ trình bày về cơ chế phân bổ dữ liệu trong Spark: 42 Hình 3.5. Ví dụ về 3 kịch bản khi phân chia dữ liệu Trong hình trên, trường hợp (a) kho khối lượng dữ liệu của tập thuộc tính con lớn hơn dung lượng đang có hiện tại của nút phụ, tập dữ liệu con này sẽ được phân chia vào nhiều slaves có đường dẫn tương tự. (b) Khi dung lượng của tập thuộc tính con tương đương với dung lượng đang có của nút phụ, thì tập con sẽ được cấp phát và lưu trữ trong một node. (c) Khi kích thước của một tập con nhỏ hơn dung lượng lưu trữ của một nút, nút đó sẽ được phân bổ chứa nhiều tập thuộc tính con. Trong trường hợp (a), việc tính toán gain-ratio sẽ được thực thi tại các nút phụ lưu trữ dữ liệu các tập thuộc tính con. Việc xử lý dữ liệu này là cục bộ trên toàn bộ các nút phụ có cùng một tập con thuộc tính dữ liệu lưu trữ, nhưng không phải là xử lý toàn bộ. Trong trường hợp (b) và (c), không có hoạt động giao tiếp của các tiến trình giữa các nút phụ khác nhau trong khi xử lý tính toán gain-ratio. Các bước phân chia dữ liệu theo chiều dọc và lưu trữ dữ liệu tính được trình bày trong mục 2.3.1. Trong quá trình xử lý ứng dụng đã giới thiệu ở trên, đầu tiên, RDD0 được chia thành (M-1) đối tượng RDDFS thông qua xử lý phân chia dữ liệu theo chiều dọc – sử dụng key và các thuộc tính con. Sao đó, mỗi RDDFS được phân chia về các nút phụ với dung lượng để lưu trữ và xử lý tùy thuộc vào độ phù hợp của dữ liệu và nút phụ. Để sử dụng lại tập dữ liệu huấn luyện đã qua xử lý, mỗi đối tượng RDD của tập các thuộc tính con sẽ được phân bổ và cấp phát cho cụm Spark thông qua một hàm dataAllocation() và một hàm xử lưu trữ kết quả xử lý tạm thời persist(). Giải thuật 1: Phân vùng dữ liệu theo chiều dọc và phân bổ dữ liệu tĩnh của PRF: 43 Input: RDDo: một đối tượng RDD nguyên thủy của bộ dữ liệu ban đầu S Output: LFS: một danh sách các chỉ số danh mục của mỗi nhóm đối tượng thuộc tính con RDD và các nút phụ đã được phân bổ. 1: for j=0 to (M-2) do 2: RDDFSj  RDDo.map 3:  RDDo.verticalPartition(j); 4: end map.collect() 5: slaves  findAvailableSlaves().sortbyIP(); 6: if RDDFSj.size < slaves[0].availablesize then 7: dataAllocation(RDDFSj , slaves[0]); 8: slaves[0].availablesize  slaves[i]. availablesize - RDDFSj.size; 9: LFS  ; 10: else 11: while RDDFSj ≠ null do 12: (𝑅𝐷𝐷𝐹𝑆𝑗 ′ , 𝑅𝐷𝐷𝐹𝑆𝑗 ′′ )  dataPartition(RDDFSj, slaves[i].availablesize)); 13: dataAllocation(RDDFSj , slaves[i]); 14: 𝑅𝐷𝐷𝐹𝑆𝑗 ′ .persist(); 15: slaves[i].availabelsize  slaves[i]. availablesize - 𝑅𝐷𝐷𝐹𝑆𝑗 ′ .size; 16: slavesids  slaves[i]:nodeid; 17: RDDFSj  𝑅𝐷𝐷𝐹𝑆𝑗 ′′ 18: i  i+1 19: end while 20: LFS  21: else if 22: end for 23: return LFS. 44 3.2.2. Tối ưu hóa xử lý tiến trình đồng thời Mỗi cây quyết định PRF dược xây dựng độc lập với nhau và mỗi nút con trong cây quyết định cũng được phân tách độc lập. Kiến trúc của mô hình PRF và cây quyết định giúp cho quá trình tính toán các đầu công việc trở nên đồng thời. Dựa trên kết quả của việc tối ưu hóa xử lý dữ liệu đồng thời, đề xuất phương án ứng dụng xử lý đồng thời các đầu việc của PRD và triển khai thông qua nền tảng Spark. Một tiến trình song song đồng thời được sử dụng trong quá trình huấn luyện PRF, và giản đồ công việc DAG cũng được khởi tạo theo các bước một cách song song hóa đồng thời các tiến trình xử lý và phụ thuộc vào các đối tượng RDD. Sau đó các tiến trình lập lịch được gọi để thực hiện các bước đã được tạo thành trên giản đồ DAG. a. Quá trình xử lý đồng thời của PRF Trong quá trình tối ưu các công việc xử lý đồng thời (task-parallel), SparkML sử dụng một phương pháp xử lý song song đồng thời để huấn luyện trong quá trình xây dựng PRF. Trong quá trình huấn luyện và xây dựng nhánh cây quyết định, ở mức đầu tiên, k cây quyết định của mô hình PRF được xây dựng cùng lúc. Và trong quá trình huấn luyện mô hình tiếp theo, (M-1) thuộc tính đặc trưng trong mỗi cây quyết định tiếp tục được tính toán đồng thời để tạo thêm ra các nút phân nhánh ở mức thứ hai. Các task được tính toán xây dựng cây quyết định trong quá trình huấn luyện PRF. Căn cứ theo yêu cầu về tài luyện càn thiết và chi phí thực thi tính toán, các task thực thi sẽ được chia làm hai loại, các tác vụ tính toán gain-ratio và các task phân chia node, và được định nghĩa dưới đây. Định nghĩa: Các tác vụ tính toán gain – ratio (Gain-ratio-computing task: TGR) là một tập hợp các tác vụ được sử dụng để tính toán gain-ratio từ các thuộc tính của một tập con các thuộc tính tương ứng, bao gồm một chuỗi các phép toán thực thi với mỗi thuộc tính đặc trưng, bao gồm tính entropy, quá trình tự phân tách thông tin, mức tăng trưởng bội quá thông tin và tỷ lệ tăng trưởng thông tin. Kết quả thực thi tác vụ TGR được gửi đến các nút con tương ứng. Định nghĩa: các tác vụ phân chia nút (Node-splitting task: TNS) là một nhóm các tác vụ được sử dụng và thu thập kết quả của các tác vụ TGR và tách 45 ra thành các nodes của cây quyết định, bao gồm các phương thức tính toán cho mỗi nút của cây quyết định, như việc lựa chọn giá trị biến tốt nhất với gain- ratio cao nhất và sử dụng biến đó để phân tách nút cho cây. Sau quá trình phân chia node, kết quả của task TNS sẽ được phân chia cho từng nút phụ (slave) để bắt đầu bước tiếp theo của quá trình huấn luyện của PRF. Các bước trong quá trình huấn luyện đồng thời của mô hình PRF được diễn giải giải thuật sau: Giải thuật 2: quá trình huấn luyện đồng thời của mô hình PRF. Input: k: số cây quyết định của mô hình PRF; TDSI: bảng đồ thị các bước thực hiện DSI của PRF; LFS: danh sách các chỉ mục tập hợp các thuộc tính con của đối tượng RDD và các nút phụ được phân chia. Đầu ra: PRFtrained: mô hình PRF sau khi huấn luyện1. 1: for i = 0 to (k - 1) do 2: for j = 0 to (M - 2) do 3: load features subset RDDFSj  loadData(LFS[i]) //TGR: 4: RDD(GR;best)  sc.parallelize(RDDFSj).map 5: load dữ liệu mẫu RDD(i;j)  (TDSI[i], RDDFSj); 6: tính toán gain-ratio GR(i;j)  GR(RDD(i;j)); 7: end map //TNS: 8: RDD(GR;best).collect().sorByKey(GR).top(1); 9: for với mỗi giá trị y(j,v) in RDD(GR;best) do 10: tách node cây Nodej  ; 11: gắn thêm Nodej vào Ti; 12: end for 13: end for 14: PRF 15: end for 16: return PRFtrained. 46 (a) Giản đồ DAG của một cây quyết định trong PRF (b) một mô hình cây quyết định. Hình 3.6. Ví dụ của task DAG cho một cây quyết định của PRF Trong quá trình huấn luyện của mô hình PRF, phụ thuộc vào mỗi đối tượng RDD, mỗi job của quá trình huấn luyện PRF sẽ được chia nhỏ thành các bước, và sinh ra một giản đồ DAG phụ thuộc vào các bước đó. Đánh giá ví dụ của cây quyết định PRF, một giản đồ DAG của quá trình huấn luyện dữ liệu được hình thành, theo hình 2.17. Trong một số task thực thi theo các bước của DAG, tương ứng với các phân cấp của mô hình cây quyết định. Trong bước 1, sau khi giảm chiều dữ liệu, có (m-1) TGR task được tạo (TGR1.0 ~ TGR1.(m-2)) cho (m-1) thuộc tính (features) đầu vào. Các TGR này sẽ tính toán gain ratio của biến thuộc tính, và đưa kết quả cho TNS1. TNS1 sẽ tìm các biến phân tách tốt nhất và thực hiện phân chia ra nút đầu tiên của nhánh cây quyết định. Giả sử với y0 là biến phân tách tốt nhất tại bước hiên tại, và giá trị của y0 nằm trong khoảng của {v01, v02, v03}, do đó, nút cây đầu tiên sẽ được xây dựng bởi y0 và 3 nút con được tách ra từ nhóm các node, theo hình 2.17(b). Sau khi phân tách các nút của cây, các kết quả trung gian của TNS1 sẽ được phân bổ về toàn bộ các nút phụ của Spark. Kết quả bao gồm thông tin của các biến phân tách và dữ liệu chỉ mục của danh sách {v01, v02, v03}. 47 Trong bước 2, vì y0 là một thuộc tính phân tách, nên sẽ không có task TGR cho FS0. Quá trình phân chia công việc ẩn sau vấn đề này sẽ được thảo luận trong phần thực hành. Một task TGR được tạo thành cho toàn bộ các thuộc tính con khác theo kết quả của TNS1. Do danh sách chỉ mục của nhóm nút này là {v01, v02, v03}, không tồn tại quá 3 tasks TGR cho mỗi nhóm thuộc tính con. Ví dụ, task TGR2:11, TGR2:12, và TGR2:13 được tính toán cho dữ liệu FS1 với dach sách chỉ mục tương ứng với v01, v02 và v03. Và điều kiện tương tự trong task cho FS2 ~ FS(m-2). Sau đó kết quả của tasks {TGR2.11, TGR2.21, TGR2.(m-2)1} được chuyển cho task TNS2.1 cho các cây con được phân tách giống nhau. Tasks của các nodes cây khác và các bước khác được thực hiện tương tự. Theo cách này, với mỗi giản đồ DAG của quá trình huấn huyện của mỗi cây mô hình quyết định được xây dựng. Thêm vào đó, có k giản đồ DAGs được xây dựng tương ứng với k cây quyết định trong mô hình PRF. b. Lập lịch xử lý đồng thời Sau khi xây dựng được biểu đồ task DAG của tất cả các cây quyết định, các bước tác vụ thực hiện (tasks) trong giảm đồ DAGs được đưa vào tiến trình lập lịch Spark. Có hai loại tác vụ tính toán trong DAG, một để xử lý trao đổi thông tin lấy tài nguyên theo yêu cầu, và một để xử lý song song hóa. Và để cải thiện hiệu năng của PRF một cách hiệu quả và giảm thiểu chi phí tài nguyên truyền dữ liệu của các task trong môi trường phân tán, Spark sử dụng hai bộ lập lịch đồng thời để thực hiện các task này, được gọi là nhóm các tiến trình lập lịch xử lý đồng thời. Tiến trình lập lịch xử lý đồng thời danh sách chỉ mục của mỗi nhóm các thuộc tính (features) con của đối tượng RDD và phân chia về các nút phụ. Trong Spark, module Task-Scheduler-Listener giám sát các công việc đã được gửi lên, chia công việc thành các bước thực hiện với các nhiệm vụ khác nhau, sau đó gửi các nhiệm vụ này cho module Task-Scheduler. Module Task-Scheduler nhận các nhiệm vụ, phân bổ và thực thi thông qua các tiến trình xử lý công việc phù hợp (Spark - executor). Căn cứ theo các loại công việc cần thực hiện, Task-Scheduler bao gồm 3 module con là LocalScheduler (xử lý dữ liệu tại một nút có 1 driver – 1 executor), ClusterScheduler (module với cơ chế xử lý phân tán; lưu trữ vật lý theo từng nút của cụm và có 1 driver và 1 nút chứa nhiều executor), và MessosScheduler (module với cơ chế sử dụng cho PTDL lớn – mỗi cụm có nhiều executor và mỗi nút được chia 1 executor, trong 48 đó có 1 executor được sử dụng làm nút driver), với các phân bổ khác nhau, module Task-Scheduler sẽ xử lý khác nhau sử dụng các module con. Và sẽ có 5 cơ chế xử lý trong Spark như sau PROCESS LOCAL, NODE LOCAL, NO PREF, PACK LOCAL, và ANY. Quá trình sử dụng LocalScheduler cho các task TGR và ClusterScheduler thực hiện task TNS được trình bày sau đây. (1) LocalScheduler với các task TGR. Module LocalScheduler là một luồng tiến trình hoạt động cục bộ trên một máy, toàn bộ các task được đưa lên bởi DAGScheduler được thực thi trong các luồng tiến trình, và kết quả sẽ được trả về cho DAGScheduler. Việc gán thuộc tính cục bộ cho mỗi TGR là NODE_LOCAL và đưa chúng cho một module LocalScheduler. Trong LocalScheduler, toàn bộ TGR task của PRF sẽ được phân cho các nút phụ (slave nodes) nơi chứa các tập thuộc tính con tương ứng. Các task này là độc lập với nhau và không có sự đồng bộ phức tạp nào giữa các tiến trình. Và nếu một tập con thuộc tính được phân bổ cho nhiều nút phụ, task TGR tương tự với quá trình của mỗi cây quyết định phân chia các nút của cây. Và các tác vụ sẽ thực thi các hoạt động giao tiến về dữ liệu cục bộ xung quanh các nút này. Nếu một hoặc nhiều thuộc tính con được phân bổ cho một nút phụ, và các tác vụ TGR sẽ tăng lên tương ứng tại các nút hiện tại. Và sẽ không có hoạt động giao tiếp dữ liệu nào giữa các nút đang thực thi và các nút khác trong quá trình tính toán tiếp theo. (2) ClusterScheduler với các task TNS. Module ClusterScheduler giám sát quá trình cấp phát tài nguyên máy và các task trong toàn bộ cụm Spark và phân chia các task phù hợp cho các workers. Như đã đề cập ở trên, task TNS sẽ thu thập kết quả của các tác vụ TGR tương ứng và phân tách các nút của cây quyết định. Task TNS là độc lập với toàn bộ các tập con thuộc tính và có thể lập lịch và phân bổ các thuộc tính cho toàn bộ cụm Spark. Ngoài ra, các tác vụ TNS căn cứ theo kết quả của các tác vụ TGR tương ứng, do đó, sẽ có quá trình đợi và đồng bộ kết quả dữ liệu của các task này. Vì vậy module ClusterScheduler được sử dụng để thực thi tác vụ TNS. Đặt giá trị thuộc tính cục bộ của mỗi TNS là ANY và đưa lên một module ClusterScheduler. Lược đồ task lập lịch đồng thời (task-parallel) được mô tả trong Giải thuật 3. Sơ đồ lập lịch cho các task trong DAG được thể hiện trong hình 17. 49 Giải thuật 3: Lập lịch Task-parallel cho các task TNS. Input: TSNS: một tập các nhiệm vụ của TNS được đưa lên thông qua DAGScheduler. Output: ERTS: kết quả thực thi của TSNS. 1: khởi tạo manager  new TaskSetManager(TSNS); 2: thêm vào trình quản lý task activeTSQueue  manager; 3: if hasReceivedTask == false then 4: create starvationTimer  scheduleAtFixedRate(newTimerTask); 5: đánh thứ tự độ ưu tiên của TS2  activeTSQueue.FIFO(); 6: for each task Ti in TS2 do 7: lấy thông tin về worker executora đang khả dụng từ workers; 8: ERTS  executora.launchTask(Ti.taskid); 9: end for 10: end if 11: return ERTS. 3.2.3. Phân tích phương pháp xử lý task đồng thời Nội dung phần này sẽ đánh giá về phương pháp tối ưu hóa các mô hình đồng thời với 5 khía cạnh được đề cập theo 5 phần dưới. Khi so sánh Spark- MLRF với các phương pháp xử lý đồng thời khác, mô hình lai tối ưu hóa đồng thời kết hợp PRF đạt kết quả về hiệu suất, cân bằng tải, và có khả năng mở rộng. 50 Hình 2.17b. Quá trình lập lịch và thực thi task đồng thời dựa theo hình 2.17 a. Đánh giá độ phức tạp tính toán Độ phức tạp khi tính toán đồng thời được với giải thuật PRF cải tiến sử dụng cơ chế giảm chiều dữ liệu có độ phức tạp ban đầu là O(k(MN+mNlogN)). Sau khi thực hiện song song hóa giải thuật PRF trên Spark, M thuộc tính của tập dữ liệu huấn luyện được tính toán đồng thời trong quá trình thực hiện giảm chiều dữ liệu, và k cây được huấn luyện đồng thời. Theo đó, độ phức tạp tính toán theo lý thuyết của thuật toán PRF là: 𝑂 ( 𝑘(𝑀𝑁+𝑚𝑁𝑙𝑜𝑔𝑁) 𝑘 × 𝑀 ) ≈ 𝑂(𝑁(𝑙𝑜𝑔𝑁 + 1)) 51 b. Đánh giá khối lượng dữ liệu Tận dụng phương pháp ghép kênh dữ liệu (data-multiplexing), dữ liệu sử dụng cho quá trình huấn luyện được sử dụng lại một cách hiệu quả. Giả sử khối lượng dữ liệu ban đầu là (N x M) và thang đo của mô hình RF là k, khối lượng của tập dữ liệu mẫu ban đầu của RF và Spark-MLRF khi xử lý theo phương pháp thông thường là (N x M x k). Trong quá trình huấn luyện đồng thời PRF, với khối lượng dữ liệu mẫu giữ nguyên, khối lượng dữ liệu cần xử lý trong quán trình huấn luyện là (𝑁 × 2 × (𝑀 − 1)) ≈ (2𝑁𝑀). Hơn nữa, việc tăng trưởng quy mô của PRF không làm thay đổi về kích thước dữ liệu hay bộ nhớ lưu trữ. Do đó, so với việc lấy mẫu của phương pháp RF cơ bản, phương pháp ứng dụng PRF giúp giảm tổng khối lượng cần xử lý trong quá trình huấn luyện cho PRF. c. Đánh giá hiệu năng đường truyền dữ liệu Trong PRF có một số tiến trình truyền tải dữ liệu phục vụ cho quá trình cấp phát tài nguyên và quá trình huấn luyện mô hình, hoạt động trong cụm dữ liệu Spark và giữa các slave. Giả sử có n slave trong cụm Spark, và khối lượng dữ liệu huấn luyện mẫu là (2NM). Trong quá trình cấp phát tài nguyên, chi phí cho đường truyền trung bình sẽ là 2𝑀𝑁 𝑛 . Trong quá trình huấn luyện mô hình PRF, nếu một tập con thuộc tính được phân chia cho các nút trong cụm, sẽ có quá trình giao tiếp dữ liệu cục bộ của các task tính toán giữa các nút trong cụm. Nếu một hoặc vài tập thuộc tính con được phân chia vào cùng một nút, sẽ không có tiến trình giao tiếp của các task tính toán giữa các nút. Sẽ có một lượng nhỏ chi phí tài nguyên đường truyền được sử dụng để truyền tải thông tin cho các kết quả trung gian trong mỗi bước của quá trình huấn luyện cây quyết định. Việc phân vùng dữ liệu theo chiều dọc và phân chia dữ liệu tĩnh giúp tối ưu hóa đường truyền, giảm lượng dữ liệu cần truyền tải trong môi trường của cụm Spark, và khắc phục tình trạng nghẽn cổ chai của phương pháp xử lý song song truyền thống. d. Đánh giá cân bằng tải và tài nguyên Cơ chế huấn luyện của PRF trên toàn cụm Spark, sử dụng phương pháp tối ưu hóa đồng thời đã đạt được sự cân bằng về xử lý tài nguyên trong quá trình lưu trữ và phân chia công việc. Một lý do là đối với tập con các thuộc tính có kích thước khác nhau, sẽ có các task TGR với từng tập con. Sau đó việc phân phối công việc cho cụm Spark tùy thuộc vào khối lượng dữ liệu của từng tập con 52 thuộc tính. Một tập con thuộc tính với khối lượng dữ liệu lớn hơn khối lượng dữ liệu cho phép theo cấu hình của Spark executor sẽ được phân chia ra xử lý trên nhiều nút phụ (slave nodes). Và sẽ có TGR task tương đồng được lập lịch song song với các nút này. Một tập con thuộc tính với khối lượng dữ liệu nhỏ sẽ được phân bổ vào một nút phụ. Và cũng sẽ có TGR task tương đồng được lập lịch trên nút đó. Một lý do khác nữa là với việc phân tách các nút của cây, tại các nút phụ (slave nodes) phân tách thuộc tính con sẽ đưa vào trạng thái chờ. Mỗi tập con thuộc tính được chia sẻ và sử dụng lại giữa các nút bởi tất cả các cây quyết định. Việc phân chia dữ liệu từ các cây quyết định cũng được chia đều cho các slave để thực thi, cho phép lưu trữ và dùng lại. Giúp cho việc cân bằng tải và tối ưu hóa về tài nguyên và thời gian trong quá trình xử lý. e. Đánh giá khả năng mở rộng của thuật toán Tính ổn định và khả năng mở rộng của giải thuật PRF được đánh giá theo 3 khía cạnh. (1) Việc xử lý dữ liệu với phương pháp ghép kênh dữ liệu của PRF giúp cho quá trình huấn luyện có thể sử dụng lại tối đa và hiệu quả. Khi PRF mở rộng, cụ thể là tăng trưởng về số lượng cây quyết định, dữ liệu và vùng lưu trữ không tăng lên. Sẽ chỉ có sự tăng trưởng về số task tính toán cho các cây mới và chi phí cho một lượng dữ liệu nhỏ để sử dụng cho quá trình tổng hợp và truyền dữ liệu giữa các bước trung gian của các task. (2) khi cụm Spark mở rộng, chỉ có một số tập con thuộc tính chiếm nhiều dung lượng cần san sang các nút (nodes) máy tính mới để đảm bảo cân bằng tải về tiến trình xử lý và lưu trữ. (3) khi quy mô của tập dữ liệu tăng lên, chỉ cần tách các tập thuộc tính con đặc trưng từ dữ liệu mới theo cùng một cách phân vùng dữ liệu theo chiều dọc và đưa thêm vào tập dữ liệu ban đầu tương ứng. Do vậy, PRF tối ưu hóa khi xử lý song song, có độ ổn định và khả năng mở rộng tốt. 3.3. Kmeans, tối ưu hóa xử lý Kmeans với Spark. Thuật toán K-means cũng là một thuật toán quan trọng và được sử dụng phổ biến trong kỹ thuật phân cụm. Tư tưởng chính của nó là tìm cách phân nhóm các đối tượng ( objects ) cho trước vào K cụm ( K là số cụm và được xác định trước ) sao cho tổng bình phương khoảng cách giữa các đối tượng đến tâm nhóm ( centroid ) là nhỏ nhất. 53 Hình 3.7. Hình dạng cụm dữ liệu được khám phá bởi k-means Nội dung thuật toán cụ thể như sau: Cho trước mạng lưới gồm N nút và số cụm k. Bước 1. Khởi tạo: Chọn ra ngẫu nhiên k nút làm trọng tâm {ci} i = 1, ..., k. Bước 2. Với mọi nút, tính khoảng cách giữa nó với các trọng tâm của các cụm. Gán nó vào cụm có trọng tâm gần nó nhất. Bước 3. Cập nhật lại các trọng tâm mới. 𝑐𝑖 (𝑡+1) = 1 |𝑆𝑖 (𝑡)| ∑ 𝑥𝑗 𝑥𝑗∈𝑆𝑖 (𝑡) Bước 4. Lặp lại bước 2 và 3 cho đến khi không có sự thay đổi giữa các cụm Thuật toán k-means trên được chứng minh là hội tụ và có độ phức tạp tính toán là: 𝑂((3𝑛𝑘𝑑)τ𝑇𝑓𝑙𝑜𝑝) Trong đó, n là số đối tượng dữ liệu, k là số cụm dữ liệu, d là số chiều, τ là số vòng lặp, Tflop là thời gian để thực hiện một phép tính cơ sở như phép tính nhân, chia,... Như vậy, do k-means phân tích phân cụm đơn giản nên có thể áp dụng đối với tập dữ liệu lớn.Tuy nhiên, nhược điểm của k-means là chỉ áp dụng với dữ liệu có thuộc tính số và khám phá ra các cụm có dạng hình cầu, k-means còn rất nhạy cảm với nhiễu và các phần tử ngoại lai trong dữ liệu. Hơn nữa, chất lượng phân cụm dữ liệu k của thuật toán k-means phụ thuộc nhiều vào các tham số đầu vào như: số cụm k và k trọng tâm khởi tạo ban đầu. Trong trường hợp các trọng tâm khởi tạo ban đầu mà quá lệch so với các trọng tâm cụm tự nhiên thì kết quả phân cụm của k-means là rất thấp, nghĩa là các cụm dữ liệu được khám phá rất lệch so với các cụm trong thực tế. Trên thực tế chưa có một giải pháp tối ưu nào để chọn các tham số đầu vào, giải pháp thường được sử dụng nhất là thử nghiệm với các giá trị đầu vào k khác nhau rồi sau đó chọn giải pháp tốt nhất. 54 Hình 3.8. Thuật toán Kmeans trong Spark Khi xử lý phân cụm, dữ liệu đầu vào được đưa lên các RDDs , các RDDs này tương ứng được phân chia đồng thời vào các tasks và xử lý. Sau đó tính toán độc lập các tâm cụm với nhau và cập nhật lại tâm cụm. Việc cập nhật lại tâm của k cụm được thực hiện đồng thời và riêng biệt giữa các RDDs, sau đó, sẽ có một giản đồ DAGs được hình thành, với các bước cần thực hiện, khi có có quả tổng hợp, dữ liệu được xáo trộn và tính toán lại giữa các cụm được chuyển về cho Spark master, Spark master thực hiện tính toán lại tâm cụm và chuyển lại các task tính toán dữ liệu cho các Spark slave, quá trình nà...payment Số lần đóng cước trước Numeric avg_amt_prepaid_payment Trung bình số tháng đóng cước trước Numeric no_month_last_prepaid_payment Số tháng đóng cước trước gần nhất Numeric amt_last_prepaid_paymnet Số tiền đóng cước trước gần nhất Numeric reserve_prepaid_charge Số tháng tiền đóng cước trước còn lại Numeric no_month_prom_last_payment Số tháng khuyến mại cho lần đóng cước trước gần nhất Numeric Hành vi CSKH và phản ánh reserve_days_to_block Số ngày nợ cước đến ngày bị chặn 1 chiều Numeric no_days_to_churn Số ngày nợ cước đến ngày bị cắt dịch vụ Numeric no_report_cskh_n Số lần phản ánh tới hệ thống CSKH trong tháng Numeric no_call_cskh_n Số lần gọi điện tới CSKH trong tháng Numeric no_staff_n Số lần gọi điện tới nhân viên phát triển khách hàng trong tháng Numeric no_reason_n Nội dung phản ánh nhiều nhất Numeric Hành vi sử dụng hạ tầng flag_change_province flag đã từng thay đổi địa chỉ lắp đặt Binominal flag_change_techonology flag đã từng nâng cấp hạ tầng Binominal flag_change_ftth_product flag đã từng thay đổi gói sản phẩm ftth đang sử dụng Binominal flag_change_th_product flag đã từng thay đổi gói sản phẩm th đang sử dụng Binominal flag_fmc_product flag đang sử dụng sản phẩm FMC Binominal 63 flag_churn_order flag yêu cầu hủy dịch vụ Binominal reason_id_churn Lí do hủy dịch vụ. Numeric fmc_product Sản phẩm FMC sử dụng Numeric flag_use_duration_12month flag khách hàng đã sử dụng trên 12 tháng Binominal no_modem_active Số ngày Modem bật trong tháng Numeric Hành vi đóng cước prepaid_last_datetime Tháng hết hạn đóng cước Numeric prepaid_last_datetime_prom Tháng hết hạn đóng cước trước + tháng được khuyến mại Numeric flag_prepaid_1month flag đã từng đóng trước chu kì 1 tháng Binominal flag_prepaid_3month flag đã từng đóng trước chu kì 3 tháng Binominal flag_prepaid_6month flag đã từng đóng trước chu kì 6 tháng Binominal flag_prepaid_12month flag đã từng đóng trước chu kì 12 tháng Binominal flag_sms_prepaid Flag có nhận được tin nhắn báo hết cước dịch vụ Binominal flag_call_prepaid Flag có nhận được cuộc gọi báo hết cước dịch vụ Binominal flag_nv_prepaid Flag có nhân viên đến thu cước dịch vụ Binominal Bảng 4-2: Danh mục thuộc tính được sử dụng Trong đó, mã thuê bao là id định danh của 1 bản ghi. Với mục tiêu tìm ra tập khách hàng có nguy cơ rời mạng, đánh giá và đưa ra chính sách phù hợp với từng phân nhóm khách hàng. 4.2.1. Quá trình Phân cụm dữ liệu huấn luyện: Toàn bộ quá trình thực hiện thử nghiệm được thực hiện trên nền tảng Spark, với một cụm Spark gồm 1 nút (node) chính (Master) và 100 nút (node) phụ (Slaves). Cấu hình tại mỗi nút: Hệ điều hành: Ubuntu 12.04.4 và Mỗi nút thực thi được cấu hình một CPU Pentium (R) Dual-Core 3,20GHz và bộ nhớ Ram 8GB. Tất cả các nút được kết nối bằng mạng Gigabit tốc độ cao và được cấu hình với Hadoop 2.5.0 và Spark 2.0.2. Thuật toán và giải thuật được thực hiện xây dựng trên nền tảng Scala 2.10.4. Sử dụng Zeppelin để tạo viết code, script và lấy thuộc tính, tăng tính linh hoạt trong quá trình xây dựng, sử dụng và tái sử dụng dữ liệu. 64 a. Phân nhóm/cụm khách hàng Trong quá trình thực hiện phân nhóm khách hàng sử dụng KMeans, sử dụng độ đo DaviesBouldin để đánh giá số cụm phù hợp nhất, với số cụm tối thiểu là 4 (do nhóm khách hàng cơ bản ban đầu cần đánh giá nằm ở 4 phân khúc khách hàng). Với E là số cụm tối ưu. E = evalclusters(X,'kmeans','DaviesBouldin','klist',[1:12]) Các thuộc tính sẽ căn cứ theo kinh nghiệm để lựa chọn ra các thuộc tính cho lần đầu tiên khi phân cụm, sau khi có thuộc tính lần đầu tiên; ta sử dụng thuộc tính được xếp hạng từ các cụm chạy mô hình rừng ngẫu nhiên để đánh giá. Căn cứ theo đánh giá khi sử dụng độ đo Davies – Bouldin (DB), thực hiện thử nghiệm lần lượt với số cụm và sử dụng độ đo DB đã nêu ở chương 3 ta có bảng sau: K 2 3 4 5 6 7 8 9 10 11 12 Davies–Bouldin 0.63 0.74 0.89 0.91 0.88 0.94 1.00 0.99 0.88 1.09 1.09 Bảng 4-3: Giá trị DaviesBouldin Sau khi sử dụng độ đo DaviesBouldin đánh giá với các giá trị thuộc tính dữ liệu đầu vào, thử nghiệm lần lượt từng số cụm, kết quả số cụm phù hợp nhất ứng dụng giải thuật K-Means là 10. Với việc đánh giá số lượng cụm và số lượng dữ liệu cần đánh giá – là số bản ghi của KH phát triển mới trong tháng tại mỗi cụm được chia như sau: Cụm 0 1 2 3 4 5 6 7 8 9 Số lượng thuê bao rời mạng 34876 1201 2107 1769 517 101 2337 4947 704 416 SLTB đang sử dụng dịch vụ 2583267 32302 82032 61519 11711 1725 106359 281188 20002 21584 Bảng 4-4: Kết quả phân cụm b. Đánh giá kết quả phân cụm: 65 Việc đánh giá kết quả phân cụm sẽ căn cứ theo các thuộc tính đã sử dụng để phâm cụm, sau đó hỗ trợ đưa ra các đặc điểm chung giữa các cụm để có các chính sách gắn tương ứng với các cụm. Đánh giá ngẫu nhiên các thuộc tính có tại mỗi cụm bằng cách so sánh các tâm cụm và độ tuổi trung bình, ta tạm chia độ tuổi ra làm 2 nhóm KH. Nhóm KH dưới 40 tuổi: Giá trị trung bình các thuộc tính ngẫu nhiên: Cluster_0 Cluster_1 Cluster_2 Cluster_3 Cluster_9 usage_day_n 3.48 0.35 5.33 4.03 4.57 non_usage_day_n 1.18 0.62 0.35 1.43 0.97 usage_night_n 2.59 6.34 4.3 1.25 7.15 no_prepaid_payment 6.49 2.67 2.03 3.38 1.08 avg_amt_prepaid_payment 7,799.01 1.38 1.99 5,141.49 7,015.60 no_month_last_prepaid_payment 15.04 0.74 0.38 13.23 20.13 amt_last_prepaid_paymnet 60,003.98 65,645.89 76,525.54 120,106.92 134,622.28 reserve_prepaid_charge 60,268.09 65,782.48 76,731.32 118,093.22 133,608.60 no_month_prom_last_payment 5.01 4.74 5.65 3.13 6.02 reserve_days_to_block 1.10 0.01 0.01 7.91 1.10 no_days_to_churn 47.27 45.61 52.92 57.87 62.27 no_report_cskh_n 63.28 32.23 24.72 35.44 73.28 no_call_cskh_n 34.98 0.17 0.68 1.65 25.68 flag_change_province 0.96 0.04 0.41 0.02 0.05 flag_change_techonology 0.39 0.21 0.14 0.08 0.07 flag_change_ftth_product 0.05 0.01 0.01 0.05 0.05 flag_change_th_product 0.02 0.04 0.04 0.01 0.02 flag_fmc_product 0.01 0.00 0.00 0.01 0.01 flag_churn_order 0.74 0.28 0.21 0.75 0.77 no_modem_active 2.36 1.47 1.54 4.92 1.24 age 28.50 29.24 36.40 32.70 32.90 SL bản ghi 2618143 33503 84139 63288 22000 Nhóm KH có độ tuổi trên 40 tuổi 66 Giá trị trung bình các thuộc tính ngẫu nhiên: Cluster_4 Cluster_5 Cluster_6 Cluster_7 Cluster_8 usage_day_n 2.63 3.44 3.05 3.18 2.71 non_usage_day_n 1.20 0.82 1.56 0.71 1.91 non_usage_day_n 1,527.45 7,954.27 1.29 1,401.84 5.12 no_prepaid_payment 5,938.54 23,788.83 224.35 2,727.05 14.33 avg_amt_prepaid_payment 270.19 159.32 261.83 74.32 98.01 no_month_last_prepaid_payment 8.38 2.47 6.20 2.01 6.34 amt_last_prepaid_paymnet 68,504.44 69,128.46 69,802.66 12,822.42 72,465.80 reserve_prepaid_charge 68,600.89 69,144.72 69,938.38 1.02 72,878.50 no_month_prom_last_payment 44,698.14 46,532.31 43,894.30 0.00 48,446.43 reserve_days_to_block 16 47 10 70 10 no_days_to_churn 55.65 90.13 95.63 124.22 55.84 no_report_cskh_n 5,834.13 23,586.71 258.35 2,670.96 0.65 no_call_cskh_n 1,680.95 14,147.57 0.06 1,435.56 0.98 no_staff_n 3,695.27 4,495.25 3,643.28 690.90 4,300.80 no_reason_n 40,672.46 38,309.58 35,767.14 8,197.68 46,575.51 flag_change_province 4,908.36 10,200.93 12,944.46 1,555.15 18.07 flag_change_techonology 14,360.23 11,546.19 12,296.76 1,418.13 14,332.91 flag_change_ftth_product 0.25 0.05 0.05 0.02 0.03 flag_change_th_product 0.24 0.04 0.04 0.04 0.07 flag_fmc_product 0.03 0.01 0.01 0.01 0.01 flag_churn_order 0.02 0.54 0.75 0.32 0.70 no_modem_active 6,221.33 12,953.91 16,688.80 1,952.86 3.24 age 44.50 54.80 58.60 46.70 42.50 SL bản ghi 12228 1826 108696 286135 20706 Bảng 4-5: Phân nhóm khách hàng trên 40 tuổi và dưới 40 tuổi Các thuộc tính trong Bảng 4-5: Phân nhóm khách hàng trên 40 tuổi và dưới 40 tuổi là kết quả các thuộc tính đến hiện tại khi đưa vào đánh giá phân 67 cụm và thực hiện lặp lại nhiều lần mô hình ứng dụng kết hợp giữa K-Means và rừng ngẫu nhiên xử lý song song Các cụm cơ bản cho thấy nhóm hành vi phân bổ theo độ tuổi và phân nhóm theo hành vi người dùng. Đánh giá thêm về số tháng đóng trước và đánh giá sự liên quan đến hành vi đóng trước của KH theo từng tháng. 4.2.2. Lựa chọn ngẫu nhiên các thuộc tính và đánh giá: Việc sử dụng ngẫu nhiên các thuộc tính đánh giá nội dung thực hiện sẽ bao gồm việc đánh giá các đặc trưng mỗi cụm, đánh giá các thuộc tính (features) ảnh hưởng đến kết quả dữ liệu đầu ra đầu ra của việc phân nhóm khách hàng. VD: khách hàng có độ tuổi lớn hơn hoặc bằng 58 (thuộc nhóm 6) tuổi sẽ có ít khả năng rời bỏ dịch vụ hơn các nhóm còn lại, có hành vi ổn định theo thời gian, sử dụng dịch vụ và đóng cước dài hạn, ít các dịch vụ phát sinh như đăng ký phim ngoài hoặc mua thêm các chương trình như K+. Việc đánh giá các cụm dữ liệu đưa vào cây quyết định cần rõ ràng về nhãn sử dụng, rõ ràng về ngữ nghĩa dữ liệu và không bị mất cân bằng nhãn. Cụ thể - loại bỏ cụm dữ liệu cụm 0 do cụm này đang chưa thể hiện rõ rệt về thuộc tính dữ liệu. Thực hiện đánh giá các thuộc tính có ảnh hưởng trên cụm 4 (12228), cụm 5 (1826), cụm 8 (20706) và cụm 9 (22000) do có số lượng bản ghi ít, thuộc tính hành vi khá rõ ràng, có thể đưa ra chính sách trực tiếp khi căn cứ vào kinh nghiệm triển khai thực tiễn. VD: Độ tuổi trung bình của cụm cụm 8 là độ tuổi 42, với số tháng đóng trước thấp, nhỏ hơn 6 tháng, số tháng đóng trước trung bình là 6 tháng. Với cụm 4, cụm 5, đã hết cước, cần đưa cho kinh doanh đánh giá hình thức tác động, đánh giá thêm một số thuộc tính có trọng số cao để hỗ trợ đưa ra quyết định. Tiếp tục ứng dụng mô hình học máy và cắt ngưỡng triển khai với các cụm 2, cụm 3, cụm 6 và cụm 7. 4.2.3. Thực hiện huấn luyện dữ liệu với mô hình Parallel RandomForest 68 Việc huấn luyện dữ liệu sẽ được thực hiện đồng thời với toàn bộ các cụm dữ liệu đầu vào, sử dụng ma trận - confusion matrix để đánh giá và biểu đồ ROC để thể hiện. Kết quả huấn luyện với các cụm như sau: Cụm 2: Cụm 3: Cụm 6 Cụm 7 69 Hình 4.2. Tỷ lệ độ đo theo ROC của các tập train, test và validation Các biểu đồ thể hiện độ ROC theo hình 3.2. Cho thấy tỷ lệ giữa Precision và Recall của mỗi cụm. Tổng thời gian huấn luyện là 1.5 tiếng cho toàn bộ quá trình, bao gồm quá trình huấn luyện, kiểm định và đánh giá lại mô hình, sau đó ghi kết quả đầu ra tổng hợp. Giải thuật Accuracy Precision Recall Mạng Neural 75.61% 81.86% 88.89% PRF 74.22% 78.30% 88.45% KNN 72.21% 76.80% 86.74% Bảng 4-6: So sánh tỷ lệ Accuracy giữa Precision, Recall Việc đánh giá thời gian huấn luyện sẽ đánh giá theo 2 chiều, đầu tiên, đánh giá về thời gian huấn luyện một mô hình chạy đơn lẻ, sau đó đo thêm trung bình thời gian huấn luyện đồng thời toàn bộ các mô hình, và độ chênh lệch thời gian giữa các mô hình. Các mô hình KNN và PRF được thực hiện trên cùng một môi trường có cài đặt Spark, đối với mạng Neural, cài đặt Python trên một máy có cấu hình tương đương: Ram 32GB; CPU 3.2 ghz trên một máy. Việc so sánh về thời gian và cấu hình tương đương với Mạng Neuron là không hợp lý, do việc xây dựng, cài đặt và cấu hình cho giải thuật không tương đồng, môi trường không tương đồng, do mạng Neural xử lý trên một máy. Với Mạng Neural, chạy trên một máy với 1 cụm là 3240s, đồng thời toàn bộ các cụm là 24486s, độ chênh lệch giữa các lần thử là 190s. Giải thuật Chạy 1 cụm Chạy toàn bộ các cụm Độ chênh lệch 70 PRF 2378s 4898s 358s KNN 2488s 6898s 482s Bảng 4-7: So sánh thời gian chạy giữa KNN và PRF. Việc xử lý dữ liệu của cụm Spark tính theo khả năng xử lý đồng thời có thể lên đến 800GB (100 nút phụ - slave node, 8GB Ram/node). Giúp cho quá trình tính toán cũng như đảm bảo đầu ra sản phẩm khi đưa vào triển khai thực tế. Kết quả thực hiện lần 1 với mô hình học máy sử dụng rừng ngẫu nhiên để đánh giá mức độ cắt ngưỡng phù hợp chung với toàn bộ các mô hình: Tỷ lệ nhãn 0/1: 21.693/15.917.905 Sử dụng toàn bộ thuộc tính của C360 để huấn luyện và đưa ra tập kết quả. Tương đương 1,2T dữ liệu xử lý đồng thời. Hình 4.3. Important Feataures v1 Hình 3.3 cho thấy kết quả huấn luyện phân loại thuộc tính ban đầu; được sử dụng để phân loại thuộc tính và đánh giá nhóm các cụm thuộc tính. Gồm nhóm 30 thuộc tính có điểm trọng số ảnh hưởng lớn nhất đối với mỗi Key Id. 71 Hình 4.4. ROC - Receiver operating characteristic Biểu đồ theo hình 3.4 đánh giá độ chính xác theo biểu đồ ROC thể hiện độ phù hợp tập dữ liệu đầu ra sau quá trình huấn luyện. Hình 4.5. Cumulative Gain Biểu đồ AUROC – Cumulative Gain hình 3.5 cho thấy tính hiệu quả và độ phủ của model. Biểu đồ này sử dụng để đánh giá hiệu năng triển khai và đánh giá độ phủ sau triển khai. Sử dụng đánh giá về độ phủ và đánh giá về nhóm tiềm năng. 3.1. Đánh giá độ chính xác phân loại cho mô hình cây khác nhau. 72 Để minh họa cho độ chính xác phân loại (accuracy) của PRF, các thí nghiệm được thực hiện cho các thuật toán khác nhau, bao gồm 3 thuật toán được so sánh: PRF,DRF (Dinamic Random Forest) [16], và RF, SparkLib MLRF [22]. Mỗi trường hợp liên quan đến độ đo khác nhau của cây quyết định. Kết quả thử nghiệm được trình bày trong hình 26. Hình 4.6. Tỷ lệ độ chính xác trung bình của các mô hình cây khác Hình 3.6 cho thấy độ chính xác phân loại trung bình của tất cả các thuật toán so sánh không cao khi số lượng cây quyết định bằng 10. Khi số lượng cây quyết định tăng lên, độ chính xác phân loại trung bình của các thuật toán này tăng dần và có xu hướng hướng tới một sự hội tụ. Độ chính xác phân loại của PRF trung bình cao hơn RF 8,9% và cao hơn 10,6% trong trường hợp tốt nhất khi số lượng cây quyết định bằng 1500. Cao hơn DRF trung bình 6,1% và cao hơn 7,3% trong trường hợp tốt nhất khi số lượng cây quyết định bằng 1300. Độ chính xác phân loại của PRF cao hơn so với Spark-MLRF trung bình 4,6% và 5,8% trong trường hợp tốt nhất khi số lượng cây quyết định bằng 1500. Do đó, so với RF, DRF và Spark-MLRF, PRF cải thiện độ chính xác phân loại đáng kể. Độ chính xác phân loại của PRF trong tất cả các trường hợp đều cao hơn so với RF, DRF và Spark-MLRF rõ ràng cho từng quy mô dữ liệu. Độ chính xác phân loại của PRF cao hơn DRF trung bình 8,6% và cao hơn 10,7% trong trường hợp tốt nhất khi số lượng mẫu bằng 3.000.000. Độ chính xác phân loại của PRF cao hơn trung bình là 8,1% của Spark-MLRF và cao hơn 11,3% trong trường hợp tốt nhất khi số lượng mẫu bằng 3.000.000. Đối với Spark-MLRF, do phương pháp lấy mẫu cho từng phân vùng của tập dữ liệu, khi kích thước 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 10 30 50 70 90 200 400 600 800 1000 1200 1400 1600 1800 2000 2200 2400 PRF SpartLib DRF RF Decision tree A v er ag e A cc u ra cy 73 của tập dữ liệu tăng lên, tỷ lệ lựa chọn ngẫu nhiên của tập dữ liệu tăng và độ chính xác của Spark-MLRF chắc chắn sẽ giảm. Do đó, so với RF, DRF và Spark-MLRF, PRF cải thiện độ chính xác phân loại đáng kể cho các quy mô khác nhau của bộ dữ liệu 4.3. Đánh giá hiệu suất: Nhiều thí nghiệm khác nhau được xây dựng để đánh giá hiệu suất của PRF bằng cách so sánh với các thuật toán RF và Spark-MLRF về thời gian thực hiện, tốc độ xử lý, khối lượng dữ liệu và chi phí đường truyền trong quá trình huấn luyện dữ liệu. 4.3.1. Đánh giá thời gian xử lý với nhóm dữ liệu Khi kích thước dữ liệu nhỏ (ví dụ: dưới 1,0GB), thời gian thực thi của PRF và Spark-MLRF cao hơn của RF. Lý do là cần có một thời gian cố định để gửi các thuật toán đến cụm Spark và cấu hình các chương trình. Khi kích thước dữ liệu lớn hơn 1,0GB, thời gian thực thi trung bình của PRF và Spark- MLRF nhỏ hơn của RF trong bốn trường hợp. Ví dụ: trong trường hợp dữ liệu lấy mẫu có tính rải rác, khi kích thước dữ liệu tăng từ 1,0 lên 500,0 GB, thời gian thực thi trung bình của RF tăng từ 19,9 lên 517,8 giây, trong khi của Spark- MLRF tăng từ 24,8 lên 186,2 giây và thời gian thực thi của PRF tăng từ 23,5 đến 101,3 giây. Do đó, thuật toán PRF trong quá trình thử nghiệm đạt được tốc độ xử lý nhanh hơn RF và Spark-MLRF. Khi kích thước dữ liệu tăng lên, hiệu quả càng dễ nhận thấy, đặc biệt là chi phí huấn luyện về dữ liệu và thời gian. Tận dụng tối ưu hóa việc xử lý đồng thời kết hợp song song, PRF đạt được những điểm mạnh đáng kể so với Spark-MLRF và RF về hiệu suất và thời gian xử lý. 4.3.2. Đánh giá thời gian xử lý với từng cụm Hiệu suất của PRF trên nền tảng Spark đối với các quy mô khác nhau của các nút phụ được xem xét. Số lượng nút phụ (slave nodes) được tăng dần từ 10 lên 100. Do kích thước dữ liệu và nội dung dữ liệu huấn luyện khác nhau, thời gian Xử lý PRF trong mỗi trường hợp là khác nhau. Khi số lượng nút phụ tăng từ 10 lên 50, thời gian thực thi trung bình của PRF trong mọi trường hợp giảm đi một cách rõ rệt. Ví dụ, thời gian thực hiện trung bình của PRF giảm từ 405,4 xuống 182,6 giây trong trường hợp của cụm 7 và từ 174,8 xuống 78,3 giây trong trường hợp cụm 6. Để so sánh, thời gian thực thi trung bình của PRF 74 trong các trường hợp khác giảm ít rõ ràng hơn khi số lượng nút phụ (slave nodes) tăng từ 50 lên 100. Ví dụ: thời gian thực thi trung bình của PRF giảm từ 182,4 xuống 76,0 giây trong trường hợp cụm 3 và từ 78,3 xuống 33,0 giây trong trường hợp cụm 2. Điều này là do khi số lượng Spark Slaves lớn hơn số lượng thuộc tính của tập dữ liệu huấn luyện, mỗi tập hợp con tính năng có thể được phân bổ cho nhiều nút phụ, dẫn đến việc xử lý dữ liệu và trao đổi thông tin giữa các nút phụ tăng lên, ảnh hưởng đến thời gian thực thi PRF cũng tăng. 4.4. Đánh giá hiệu quả thực tế: Việc sử dụng kết quả triển khai ứng dụng vào thực tế là điều cần thiết, thay vì chỉ đo dựa trên các chỉ số precision, hay recall. Hình 4.7. Phương pháp đo lường kết quả trong thực tế Theo [21], thực hiện chia các tập thử nghiệm ra làm 4 nhóm TB từ tập sau khi huấn luyện, Tiếp tục phân chia thành các nhóm như hình 3.7: MODEL HOLD OUT CONTROL HOLD OUT Thực hiện truyền thông Có huấn luyện Chọn ngẫu nhiên; nhận được tin nhắn truyền thông Đánh giá tỷ lệ phản hồi truyền thông không có mô hình Không huấn luyện Chọn bởi mô hình; nhận được tin nhắn truyền thông Đánh giá tỷ lệ phản hồi truyền thông qua mô hình Chọn ngẫu nhiên; không nhận được tin nhắn truyền thông Sử dụng đánh giá tỷ lệ phản hồi tự nhiên. Chọn bởi mô hình; không nhận được tin nhắn truyền thông Sử dụng đánh giá tỷ lệ phản hồi tự nhiên của tập được chọn bởi mô hình. Không truyền thông TARGET 75 Lấy ra hai tập Control Group và Hold Out: sử dụng để triển khai, theo dõi tỷ lệ tự nhiên, so sánh giữa việc áp dụng model vào triển khai so với chỉ số thực tế: • Tập CG (Control Group): Tập lấy ngẫu nhiên số lượng 10% các cụm triển khai để thử nghiệm • Tập HO (hold out): lấy ra khối lượng ngẫu nhiên với cụm 2 – lấy ra mẫu 10% từ các cụm triển khai để đánh giá hiệu quả chương trình triển khai so với tỷ lệ tự nhiên Với 2 tập Target và tập Model hold out: là tập tối ưu nhất của cụm – sử dụng 3 nhóm dữ liệu đánh giá tiềm năng là cụm 3, cụm 6, cụm 7 có chỉ số ROC tốt nhất để triển khai sau khi có phân tích và đánh giá, lấy theo tỷ lệ phản hồi (TakeUpRate) cắt ngưỡng theo lift charge – hình 24; cắt ngưỡng triển khai là 28%, tương đương với 896 nghìn, không bao gồm nhóm đã cắt bỏ riêng: • Tập TG (target): sử dụng top 90% của tập 896 nghìn để đánh giá hiệu quả mô hình trong thực tế. • Tập MHO (model hold out): sử dụng top 10% của tập 896 nghìn để tách riêng theo dõi tỷ lệ tự nhiên. Hình 4.8. So sánh tỷ lệ triển khai thực tế TG và MHO 76 Hình 4.9. So sánh tỷ lệ triển khai thực tế MHO và HO So sánh MHO và TG: Đánh giá hiệu quả của chương trình truyền thông với nhóm có điểm cao được chọn bởi mô hình. So sánh Control và TG: Đánh giá hiệu quả mô hình giữa việc thực hiện truyền thông và không truyền thông. Tỷ lệ triển khai trong thực tế đã chứng minh hiệu quả của mô hình kết hợp, theo Hình 4.8. So sánh tỷ lệ triển khai thực tế TG và MHO và Hình 4.9. So sánh tỷ lệ triển khai thực tế MHO và HO; hỗ trợ và đánh giá được kết quả của mô hình ứng dụng, kết quả triển khai khi áp dụng vào thực tế và hiệu quả khi thực hiện một chương trình. Tỷ lệ triển khai hơn so với nhóm không triển khai 1.7 lần. Ngoài ra cũng cho thấy việc đưa thông tin về nhóm thuộc tính quan trọng có hiệu quả, giúp cho việc triển khai trong thực tế đạt kết quả tốt. 77 KẾT LUẬN VÀ ĐỊNH HƯỚNG NGHIÊN CỨU TIẾP THEO Trong luận văn đã đề xuất mô hình kết hợp giữa thuật toán phân cụm và rừng ngẫu nhiên song song. Với mục tiêu xử lý các vấn đề gặp phải trong quá trình khai phá dữ liệu lớn trong điều kiện thực tế, giải quyết vướng mắc gặp phải khi ứng dụng học máy vào quá trình sản xuất kinh doanh. Quá trình thực hiện ứng dụng mô hình học máy vào triển khai được lặp lại, trước tiên, thực hiện phân dữ liệu ra các cụm, sau đó, đưa dữ liệu các cụm vào mô hình PRF, kết hợp tối ưu hóa song song dữ liệu và xử lý đồng thời được thực hiện với nền tảng Apache Spark. Tận dụng lợi thế của việc tối ưu hóa song song dữ liệu, tập dữ liệu huấn luyện được sử dụng lại và khối lượng dữ liệu xử lý tại mỗi bước được giảm đáng kể. Kết quả mang lại từ việc tối ưu hóa xử lý đồng thời, chi phí đường truyền dữ liệu được giảm xuống một cách hiệu quả và hiệu suất của thuật toán được cải thiện rõ rệt. Sau khi thử nghiệm cho thấy tính ưu việt và điểm mạnh đáng chú ý của mô hình kết hợp giữa xử lý phân cụm và phân nhóm PRF so với các thuật toán khác về độ chính xác phân loại, hiệu suất và khả năng mở rộng. 1) Tính sáng tạo và khoa học: Sử dụng các mô hình, giải thuật học máy để giải quyết các vấn đề gặp phải trong thực tế. Kết hợp các mô hình để đưa ra mô hình học máy ứng dụng kết hợp giữa phân cụm và phân lớp dữ liệu, tìm ra nhóm dữ liệu có đặc trưng tương đồng, đánh giá dữ liệu dựa vào thuộc tính sau khi sử dụng kết hợp các mô hình học máy, nhằm nâng cao kết quả khi triển khai ứng dụng thực tế. 2) Tính ứng dụng: Sau khi có kết quả huấn luyện các mô hình, phân loại được nhóm dữ liệu tối ưu, từ đó ứng dụng vào quá trình thử nghiệm. Việc sử dụng kết quả mô hình ứng dụng vào thực tế đã được đánh giá, việc ứng dụng triển khai sẽ được lặp lại qua mỗi chu kỳ để đánh giá và nâng cao hiệu quả mô hình, loại bỏ các thuộc tính dữ liệu dư thừa không cần thiết, bổ sung dữ liệu và phân cụm khách hang chính xác hơn. Tìm ra nhóm khách hàng tiềm năng và đưa ra các nhóm dữ liệu tiềm năng để triển khai. 3) Tính hiệu quả: 78 Sau khi triển khai, mô hình được đánh giá là mang lại được kết quả rõ rệt, đặc biệt là việc tìm ra nhóm dữ liệu tiềm năng để triển khai, trả lời được thuộc tính của nhóm dữ liệu ít tiền năng, bổ sung vào phân tích và đánh giá, đưa dữ liệu cho nhóm kinh doanh để đánh giá và phân tích, bổ sung được thuộc tính dữ liệu mới để tối ưu hóa kết quả triển khai trong các chu kỳ sau. Tính hiệu quả của mô hình được trả lời bằng kết quả triển khai thực tế khi so sánh tỷ lệ phản hồi của mỗi nhóm: Target; Model Hold Out; Control; Hold Out được đề cập đến trong chương 3, mục 3.4. 4) Tính hoàn thiện: Việc hoàn thiện giải thuật nâng cao hiệu quả triển khai trong thực tế, được lặp đi lặp lại, quá trình thực hiện đề tài có thể đánh giá là toàn trình phát triển, xây dựng, tối ưu cho đến việc đánh giá kết quả. Cho phép tối ưu kết quả qua mỗi chu kỳ, các nhóm dữ liệu căn cứ theo tỷ lệ triển khai thực tế tốt, và các nhóm chưa tốt, đưa ra được phương án tối ưu cho các lần triển khai tiếp sau. 5) Nhược điểm: Các mô hình ứng dụng chưa phải là tối ưu, do vẫn có một số bước chưa sử dụng được mô hình và vẫn phải dựa vào ý kiến chủ quan của người có kinh nghiệm. Việc ứng dụng cũng chưa phủ được toàn bộ các nhóm dữ liệu và cần có nhân sự tham gia. Cần tối ưu hóa kết quả và nâng cao hiệu năng hơn. Đối với giải thuật, việc tối ưu giải thuật khi sử dụng KMeans và RandomForest vẫn chưa thực sự đạt kết quả tốt khi chia nhóm, khi xây dựng ra bộ thuộc tính tối ưu. Cần đề xuất ra một giải thuật để lựa chọn thuộc tính có trọng số thay cho phương án lựa chọn bởi số đông, đặc biệt khi dữ liệu bị mất cân bằng. Chưa tái sử dụng được dữ liệu của các cây quyết định, và phải huấn luyện lại ở mỗi cụm dẫn đến chưa tối ưu được thời gian triển khai trong thực tế. Chưa sử dụng được các mô hình học sâu để tối ưu kết quả triển khai cũng là một nhược điểm. Việc trả lời khi sử dụng mô hình ứng dụng được đánh giá bằng hiệu năng về thời gian, xử lý dữ liệu lớn và liên tục, tối ưu kết quả trong thực tế. 6) Định hướng phát triển: 79 Đối với công việc trong tương lai, việc nghiên cứu sẽ tập trung vào thuật toán rừng ngẫu nhiên song song gia tăng cho các luồng dữ liệu trong môi trường đám mây và cải thiện cơ chế phân bổ dữ liệu và lập lịch tác vụ cho thuật toán trên môi trường phân tán và xử lý đồng thời. Tự động hóa quá trình huấn luyện và gán nhãn để tăng hiệu suất trong thực tế. Đánh giá và bổ sung phương án lựa chọn có trọng số, đánh giá phương thức tối ưu dùng lại dữ liệu theo cơ chế cache trong khi huấn luyện và đánh giá thuộc tính nhằm tối ưu thời gian xử lý trong quá trình huấn luyện đồng thời. Xa hơn nữa, đánh giá việc ứng dụng học sâu và triển khai các mô hình học sâu, nhằm tối đa hóa được hiệu năng, ứng dụng và nâng cao kết quả và phải cân bằng được chi phí thời gian và hiệu suất khi đưa ứng dụng vào thực tế. 80 TÀI LIỆU THAM KHẢO Tiếng Anh [1] U. Sivarajah, M. Kamal, Z. Irani and V. Weerakkody, "Critical analysis of Big Data challenges and analytical methods", Journal of Business Research, vol. 70, no.1, pp.263-286, Jan 2017. [2] A. Azar and A. Hassanien, "Dimensionality reduction of medical big data using neural-fuzzy classifier", Soft Computing, vol. 19, no. 4, pp. 1115-1127, June 2014. [3] A. Nega and A. Kumlachew, "Data Mining Based Hybrid Intelligent System for Medical Application", International Journal of Information Engineering and Electronic Business, vol. 9, no. 4, pp. 38-46, 2017. [4] P. K. Ray, S. R. Mohanty, N. Kishor, and J. P. S. Catalao, “Optimal feature and decision tree-based classification of power quality disturbances in distributed generation systems,” Sustainable Energy, IEEE Transactions on, vol. 5, no. 1, pp. 200–208, January 2014. [5] T. White, “Hadoop: The Definitive Guide.” O’Reilly Media Inc./Yahoo Press, 2012. [6] J. Corbett, P. Hochschild, W. Hsieh, S. Kanthak, E. Kogan, H. Li, A. Lloyd, et al., “Spanner: Google’s globally distributed database,” ACM Transactions on Computer Systems, vol. 31, no. 3, pp. 1-22, 2013. [7] Gordon S. Linoff, Michael J. A. Berry (2011): “Data Mining Techniques - For Marketing, Sales, and Customer Relationship Management 3rd”. pp. 23-29. [8] L. Abraham, S. Subramanian, J. Wiener, O. Zed, J. Allen, O. Barykin, et al., “Scuba: Diving into data at FaceBook,” Proceedings of the VLDB Endowment, vol. 6, no. 11, pp. 1057-1067, 2013. [9] G. Lee, J. Lin, C. Liu, A. Lorek, and D. Ryaboy, “The unified logging infrastructure for data analytics at Twitter,” Proceedings of the VLDB Endowment, vol. 5, no.12, pp.1771-1780, 2012 [10] Sam B. Siewert: “Big data in the cloud - Data velocity, volume, variety and veracity”. pp. 2-8 (2013). [11] Eric Sammer: “Hadoop Operations”, CHAPTER 1, pp.1 – 6. September 2012. [12] Eric Sammer: “Hadoop Operations”, CHATER 2. HDFS, pp.7 – 23. September 2012. [13] Eric Sammer: “Hadoop Operations”, CHATER 3. MAPREDUCE, pp.25 – 37. September 2012. [14] L. Breiman, “Random forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, October 2001. 81 [15] Eréndira Rendón, Itzel Abundez, Alejandra Arizmendi and Elvia M. Quiroz (2011): Internal versus External cluster validation indexes. Issue 1, Volume 5. 27-33. [16] S. Bernard, S. Adam, and L. Heutte (September 2012): “Dynamic random forests,” Pattern Recognition Letters, vol. 33, no. 12, pp. 1580–1586. [17] Darius Pfitzner, Richard Leibbrandt, David M. W. Powers (2009): Characterization and evaluation of similarity measures for pairs of clusterings. Knowl. Inf. Syst. 19(3): 361-394. [18] Maria Halkidi, Yannis Batistakis, Michalis Vazirgiannis (2001): “On Clustering Validation Techniques.”, J. Intell. Inf. Syst. 17(2-3): 107-145. [19] Frank, Eibe Hall, Mark A. Pal, Christopher J. Witten, Ian H (2017): “Data mining, practical machine learning tools and techniques”. pp.7-9. [20] Aurélien Géron (2017): “Hands-On Machine Learning with Scikit-Learn & TensorFlow - Concepts, Tools, And Techniques To Build Intelligent Systems”, Chapter 1. The Machine Learning Landscape, pp 7-14. [21] Gordon S. Linoff, Michael J. A. Berry (2011): “Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management 3rd”, Figure 5.13, pp. 137-141 [22] A. Spark, “Spark mllib - random forest,” Website, June 2016, [23] Aurélien Géron (2017): “Hands-On Machine Learning with Scikit-Learn & TensorFlow - Concepts, Tools, And Techniques To Build Intelligent Systems”, Chapter 1. The Machine Learning Landscape, Overfitting the Training Data, Underfitting the Training Data, pp 26-28. [24] Holden Karau, Andy Konwinski, Patrick Wendell, and Matei Zaharia: “Learning Spark: Lightning-Fast Big Data Analysis”, pp 1 - 7. [25] Hien Luu: “Beginning Apache Spark 2: With Resilient Distributed Datasets, Spark SQL, Structured Streaming and Spark Machine Learning library”, Chapter 3 Resilient Distributed Datasets, pp 51-55. [26] Bill Chambers and Matei Zaharia: “Spark: The Definitive Guide”, pp 20 – 28 [27] Hien Luu: “Beginning Apache Spark 2: With Resilient Distributed Datasets, Spark SQL, Structured Streaming and Spark Machine Learning library”, Chapter 1: Introduction to Apache Spark, pp 1-11.